（新手入门）中文查阅tensorflow函数文档

创建一个张量

tf.constant(张量内容，dtype=数据类型(可选))

将numpy的数据类型转换为Tensor数据类型

tf.convert_to_tensor(数据名，dtype=数据类型(可选))

创建全为0的张量 维度：

tf.zeros(维度) 一维 直接写个数

创建全为1的张量 二维 用【行，列】

tf.ones(维数) 多维 用【n，m，j,k........】

创建全为指定值的张量

tf.fill(维度，指定值)

生成正态分布的随机数，默认均值为0，标椎差为1

tf.random.normal(维度，mean=均值，stddev=标椎差)

生成截断式正态分布的随机数

tf.random.truncated_normal(维度，mean=均值，stddev=标椎差)，在tf.truncated_normal中如果随机生成数据的取值在（-2，+2）之外则重新进行生成，保证了生成值在均值附近。

生成均匀分布随机数

tf.random.uniform(维度， minval=最小值， maxval=最大值)

强制tensor转换为该数据类型

tf.cast(张量名，dtype=数据类型)

计算张量维度上元素的最小值

tf.reduce_min(张量名)

计算张量维度上元素的最大值

tf.reduce_max(张量名)

理解axis

在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度。axis=0代表跨性行(经度，down)，而axis=1代表跨列（维度，across）。如果不指定axis。则所有元素参与计算。

计算张量沿着指定维度的平均值

tf.reduce_mean(张量名，axis=操作轴)

计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis=操作轴)

常用函数

tf.Variable()将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。

实现两个张量的对应元素相加

tf.add(张量1，张量2) 只有维度相同的张量才可以做四则运算

实现两个张量的对应元素相减

tf.substract(张量1，张量2)

实现两个张量的对应元素相乘

tf.multiply(张量1，张量2)

实现两个张量的对应元素除

tf.divide(张量1，张量2)

计算某个张量的平方

tf.square(张量名)

计算某个张量的n次方

tf.pow(张量名，n次方数)

计算某个张量的开方

tf.sqrt(张量名)

实现两个矩阵的相乘

tf.matmul(矩阵1，矩阵2)

切分传入张量的第一维度，生成输入特征/标签对，构建数据集

data = tf.data.Dataset.from_tensor_slices((输入特征，标签))（Numpy和Tensor格式都可用该语句读入数据）

with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape() as tape:

若干个计算过程

grad=tape.gradient函数，对谁求导)

enumerate是python的内建函数，它可遍历每个元素（如列表、元组或字符串），组合为：索引 元素，常在for循环中使用。

tf.one_hot()函数将待转换数据，转换为one_hot形式的数据输出。

tf.one_hot(待转换数据，depth=几分类)

赋值操作，更新参数的值并返回。

调用assign_sub前，先用tf.Variable定义变量w为可训练（可自更新）

w.assign_sub(w要自减的内容)

返回张量沿指定维度最大值的索引

tf.argmax(张量名，axis=操作轴)

条件语句真返回A，条件语句假返回B

tf.where(条件语句，真返回A，假返回B)

将两个数组按垂直方向叠加

np.vstack(数组1，数组2)

np.mgrid[起始值：结束值：步长，起始值：结束值：步长，......]

x.ravel() 将x变为一维数组，“把.前变量拉直”

np.c_[ ]使返回的间隔数值点配对

np.c_[数组1，数组2，.......]

数据增强

image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(rescale = 所有数据将乘以该数值 rotation_ange = 随机旋转角度数范围 width_shift_range = 随机宽度偏移量 height_shift_range = 随机高度偏移量 水平翻转：horizontal_filp = 是否随机水平翻转 随机缩放： zoom_range = 随机缩放的范围【1-n，1+n】)

TF描述卷积层

tf.keras.layers.Conv2D(

filters = 卷积核个数，

kernel_size =卷积核尺寸，#正方形写核长整数或（核高h，核宽w）

strides =滑动步长，#横纵向相同写步长整数，或（纵向步长h，横向步长w），默认1

padding = “same”or“valid”#使用全零填充是“same”，不使用是“valid”（默认）

activation= “relu”or“sigmoid”or“tanh”or“softmax”等

input_shape = （高，宽，通道数） #输入特征图维度，可省

)

BN层位于卷积之后，激活层之前。

tf.keras.layers.BatchNormalization()

池化用于减少特征数据量，最大值池化可提取图片纹理，均值池化可保留背景特征。

tf.keras.layers.MaxPool2D(

pool_size = 池化核尺寸，#正方形写核长整数，或(核高h，核宽w)

strides=池化步长，#步长整数，或(纵向步长h，横向步长w)，默认为pool_size

padding=“valid”or“same”#使用全零填充是“same”，不使用“valid”(默认)

)

tf.keras.layers.AveragePooling2D(

pool_size=池化核尺寸，#正方形写核长整数，或（核高h，核宽w）

strides=池化步长，#步长整数，或（纵向步长h，横向步长w），默认为pool_size

padding=“valid”or“same”#使用全零填充是“same”，不使用是“valid”（默认）

)

在神经网络训练时，将一部分神经元按照一定概率从神经网络中暂时舍弃。神经网络使用时，被舍弃的神经元恢复链接。

tf.keras.layers.Dropout(舍弃的概率)