深度学习----Tensorflow再命名实体上常用的函数

函数	作用
tf.contrib.crf.crf_log_likelihood()	~~~~~~~~         在一个条件随机场里面计算标签序列的log-likelihood，函数的目的是使用crf来计算损失，里面用到最大似然估计的优化方法， 参数： inputs: 一个形状为[batch_size, max_seq_len, num_tags] 的tensor,一般使用BILSTM处理之后输出转换为他要求的形状作为CRF层的输入， tag_indices: 一个形状为[batch_size, max_seq_len] 的矩阵,其实就是真实标签， sequence_lengths: 一个形状为 [batch_size] 的向量,表示每个序列的长度， transition_params: 形状为[num_tags, num_tags] 的转移矩阵 返回： log_likelihood: 标量,log-likelihood transition_params: 形状为[num_tags, num_tags] 的转移矩阵
tf.placeholder()	tf.placeholder(                    ~~~~~~~~~~~~~~~~~~                   dtype,                    ~~~~~~~~~~~~~~~~~~                   shape=None,                    ~~~~~~~~~~~~~~~~~~                   name=None) placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存
tf.nn.embedding_lookup	选取一个张量里面索引对应的元素（相当于索引）
tf.Variable	检测到命名冲突，系统会自己处理
tf.get_variable()	系统不会处理冲突，而会报错
tf.nn.sparse_softmax_cross_entropy_with_logits(                    ~~~~~~~~~~~~~~~~~~                   _sentinel=None,                    ~~~~~~~~~~~~~~~~~~                   labels=None,                    ~~~~~~~~~~~~~~~~~~                   logits=None,                    ~~~~~~~~~~~~~~~~~~                   nmae=None)	函数是将softmax和cross_entropy放在一起计算，对于分类问题而言，最后一般都是一个单层全连接神经网络，比如softmax分类器居多，对这个函数而言，tensorflow神经网络中是没有softmax层，而是在这个函数中进行softmax函数的计算。这里的logits通常是最后的全连接层的输出结果，labels是具体哪一类的标签，这个函数是直接使用标签数据的，而不是采用one-hot编码形式。
tf.reduce_mean	用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。 reduce_mean(input_tensor,                    ~~~~~~~~~~~~~~~~~~                   axis=None,                    ~~~~~~~~~~~~~~~~~~                   keep_dims=False,                    ~~~~~~~~~~~~~~~~~~                   name=None,                    ~~~~~~~~~~~~~~~~~~                   reduction_indices=None) 第一个参数input_tensor： 输入的待降维的tensor; 第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值; 第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度; 第四个参数name： 操作的名称; 第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用
tf.global_variables_initializer()	添加节点用于初始化所有的变量(GraphKeys.VARIABLES)。返回一个初始化所有全局变量的操作（Op）。在你构建完整个模型并在会话中加载模型后，运行这个节点。
tf.local_variables_initializer()	返回一个初始化所有局部变量的操作（Op）
import argparse //导入命令行解析的库文件 parse=zargparse.ArgumentParser(             ~~~~~~~~~~~            description=“test!!”             ~~~~~~~~~~~            )	https://blog.csdn.net/yuyushikuan/article/details/79729660
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’	设置log输出信息的，也就是程序运行时系统打印的信息。
tf.contrib.crf.viterbi_decode	通俗一点,作用就是返回最好的标签序列
tf.contrib.crf.crf_decode	在TensorFlow中解码最高得分标记序列 https://tensorflow.google.cn/api_docs/python/tf/contrib/crf/crf_decode
tf.matmul(a, b,                    ~~~~~~~~~~~~~~~~~~                   transpose_a=False,                    ~~~~~~~~~~~~~~~~~~                   transpose_b=False,                    ~~~~~~~~~~~~~~~~~~                   adjoint_a=False,                    ~~~~~~~~~~~~~~~~~~                   adjoint_b=False,                    ~~~~~~~~~~~~~~~~~~                   a_is_sparse=False,                    ~~~~~~~~~~~~~~~~~~                   b_is_sparse=False,                    ~~~~~~~~~~~~~~~~~~                   name=None)	a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。 b: 一个类型跟张量a相同的张量。 transpose_a: 如果为真, a则在进行乘法计算前进行转置。 transpose_b: 如果为真, b则在进行乘法计算前进行转置。 adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。 adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。 a_is_sparse: 如果为真, a会被处理为稀疏矩阵。 b_is_sparse: 如果为真, b会被处理为稀疏矩阵。 name: 操作的名字（可选参数）
tf.multiply（x, y, name=None）	两个矩阵中对应元素各自相乘
tf.variable_scope(“conv1”)	指定变量作用域
tf.nn.bidirectional_dynamic_rnn()	cell_fw, # 前向RNN cell_bw, # 后向RNN inputs, # 输入 sequence_length=None,# 输入序列的实际长度（可选，默认为输入序列的最大长度） initial_state_fw=None, # 前向的初始化状态（可选） initial_state_bw=None, # 后向的初始化状态（可选） dtype=None, # 初始化和输出的数据类型（可选） parallel_iterations=None, swap_memory=False, time_major=False, # 决定了输入输出tensor的格式：如果为true, 向量的形状必须为 [max_time, batch_size, depth]. # 如果为false, tensor的形状必须为[batch_size, max_time, depth]. scope=None 返回的是元组（outputs，output_states）