【持续更新】tensorflow学习中的一些笔记

1.指数衰减函数的参数和计算方程：

tensorflow提供了一个灵活的学习率设置方法，指数衰减函数tf.train.exponential_decay()，它的计算实现如下： decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)

 其中decay_rate是衰减系数（取值小于1，比如0.1）， global_steps是当前迭代次数，decay_steps是总的迭代次数，learning_rate是初始学习率。

2. onehot=True

在多类场景下，onehot=true表示，只有一个元素的值是1，其他元素的值是0， 一个长度为n的数组，只有一个元素是1.0，其他元素是0.0。

onehot=False则没有这样的限制。

3. Tensorflow交叉熵函数：cross_entropy

以下交叉熵计算函数输入中的 logits 都不是softmax或sigmoid的输出，因为它在函数内部进行了sigmoid或softmax操作

tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)

_sentinel:本质上是不用的参数，不用填

labels:一个和logits具有相同的数据类型（type）和尺寸形状（shape）的张量（tensor）

shape:[batch_size,num_classes],单样本是[num_classes]

logits:一个数据类型（type）是float32或float64的张量

name:操作的名字，可填