tf.reduce_mean()
(或tf.reduce_max()一个是求平均值,一个是求最大值)
# 'x' is [[1., 2.]
# [3., 4.]]
x是一个2维数组,分别调用reduce_*函数如下:
首先求平均值:
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数,那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0,则第一维的元素取平均值,即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二个参数为1,则第二维的元素取平均值,即每一行求平均值
同理,还可用tf.reduce_max()求最大值等
tf.contrib.rnn.BasicRnnCell
BasicRNNCell是最基本的RNN cell单元。
输入参数:
num_units:RNN层神经元的个数
input_size(该参数已被弃用)
activation: 内部状态之间的激活函数
reuse: Python布尔值, 描述是否重用现有作用域中的变量
tf.contrib.rnn.BasicLSTMCell
BasicLSTMCell类是最基本的LSTM循环神经网络单元。
输入参数:
num_units: LSTM cell层中的单元数
forget_bias: forget gates中的偏置
state_is_tuple: 还是设置为True吧, 返回 (c_state , m_state)的二元组
activation: 状态之间转移的激活函数
reuse: Python布尔值, 描述是否重用现有作用域中的变量
tf.reshape()
reshape即把矩阵的形状变一下
看一下例子:
tensor = tf.constant([1, 2, 3, 4, 5, 6, 7,8])
sess.run(tf.initialize_all_variables())
#[1 2 3 4 5 6 7 8]
tensorReshape = tf.reshape(tensor,[2,4])
#[[1 2 3 4]
#[5 6 7 8]]
tensorReshape = tf.reshape(tensor,[1,2,4])
#[[[1 2 3 4]
#[5 6 7 8]]]
tensorReshape = tf.reshape(tensor,[-1,2,2])
#[[[1 2]
#[3 4]]
#[[5 6]
#[7 8]]]
#所以-1代表的含义是不用我们自己指定这一维的大小,函数会自动计算,但列表中只能存在一个-1
#比如: