tf.get_collection():从collection集合中取出全部变量生成一个列表.
tf.add_to_collectin():把变量放入一个集合,把很多变量变成一个列表.
tf.add_n():输入参数是一个列表,列表里的元素可以是向量也可以是矩阵等,将列表内的元素相加。
tf.add():将参数列表中对应元素相加
tf.cast(x,dtype):将参数x转换为指定数据类型
tf.equal():对比两个矩阵或者向量的对应元素,若对应元素相等,返回True,否则返回False
.要在会话中执行才会进行计算
tf.reduce_mean(x,axis):求取矩阵或向量指定维度的平均值。若不指定维度,则在所有元素
中取平均值。若第二个参数为0,则在第一纬元素上取平均值,即对每一列取平均.若指定第二个
参数为1,则在第二维元素上取平均值.即对每一行取平均.
tf.argmax(x,axis):返回指定维数下参数x中最大值的索引号.
tf.Graph().as_default():将当前图设置为默认图,返回一个上下文管理器.应用于将已定义
好的神经网络在计算图中复现
with tf.Graph().as_default() as g:表示将在Graph()内定义的节点加入到计算图g中
tf.get_variable():类似于tf.Variable,必须通过name=”给name参数赋值,函数会根据这个名字先去创建一个变量.
tf.name_scope():可以让变量有相同的命名,只是限于tf.Variable的变量
tf.variable_scope():可以让变量在不同的命名空间拥有相同的命名,包括tf.get_variable得到的变量,还有tf.Variable的变量.将该函数的reuse设置为True时,tf.get_variable()将直接获取在该命名空间已经声明的变量.
with tf.control_dependencies(control_inputs):指定某些操作执行的依赖关系,只有control_inputs里面的操作执行完之后,上下文管理器里面的操作才会执行
“`