tensorflow学习笔记（一）

Tensorflow学习笔记(一)

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

• shape:一维的张量，也就是输出的张量
• mean:正态分布的均值
• stddev:正态分布的标准差
• seed:一个整数，设置之后每次生成的随机数一样
• dtype:表示的是输出类型
• 输出结果为一个特定维度的正态分布随机值

transpose(a,perm=None,name=’transpose’,conjugate=False)

函数参数

• a: 数据的维度，形状
• perm: a的排列尺寸
• name: 操作的名称，可选参数

• conjugate: 默认为true

  tf.transpose(x, perm=[0, 2, 1])
  一般来说对一个张量的列标为[0,1,2],[p0,2,1]表示第2列和第三列互换位置

tf.tf.contrib.rnn.static_rnn

函数参数

• cell,#RNNCell的实例
• inputs,#一个长度为T的输入序列，张量的形状为[batch_size,input_size],或者这些元素的嵌套元组
• initial_state=None,#一个RNN的初始状态，如果cell.state_size是一个整数，张量可能的类型和形状必须为[batch_size,cell.state_size]，如果是一个元组，张量的形状必须为[batch_size,s] for s in cell.state_size
• dtype=None,#初始状态以及预期输出的数据类型，如果初始状态没有被提供或者rnn状态是异构类型。
• sequence_length=None,#指定序列中每个输入的长度,int32和int64向量[张量]大小[batch_size],值为[0,T]。
• scope=None#创建的子图的变量范围; 默认为“rnn”。

returns:(output,state)
- 输出是长度为T的输出列表（每个输入一个），或这些元素的嵌套元组。
- 最终的状态

tf.tf.contrib.rnn.BasicLSTMCell

• num_units,#int型数，LSTM型细胞单元数
• forget_bias=1.0,#float型，添加到忘记门的偏置，当从已经训练了的CudnnLSTM-trained checkpoints读取时必须设置为0
• state_is_tuple=True,#如果为真，接受和返回值为一个二元组(c_state,m_state),如果为假则沿着列轴连接，后者很快将会被舍弃
• activation=None,#隐含层激活函数，默认为tanh
• reuse=None,#(可选参数)bool型变量，描述是否在作用域中是重用变量，为false表示错误
• name=None#神经层的名字，相同层的神经元共享参数

returns:(output,new_state)

• 一个二维张量，shape为[batch_size,output_size]
• 一个单一的二维张量，或张量元组匹配状态的形式和形状。

tf.reduce_mean

求平均值

tf.nn.softmax_cross_entropy_with_logits

函数参数

• _sentinel=None,#用于保护位置参数，内部的，不被使用
• labels=None,#每一个标签[i]必须是有效的概率分布
• logits=None,#费标定日志概率
• dim=-1,#类维度，默认为-1，表示最后一个维度
• name=None#操作的名称

计算softmax的交叉熵

交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题

returns

• 与softmax交叉熵损失相同类型的long batch_size的1-D张量。

tf.train.RMSPropOptimizer

函数参数

• learning_rate,#学习率
• decay=0.9,#权值衰减率，防止过拟合
• momentum=0.0,#
• epsilon=1e-10,
• use_locking=False,
• centered=False,#设置为真，表示将估计梯度归一化。设置为真有助于训练，但是需要消耗大量显存内存。默认为false。
• name=’RMSProp’#操作名称

属性

minimize函数参数

• loss,#包含最小化指的张量
• global_step=None,#
• var_list=None,
• gate_gradients=GATE_OP,
• aggregation_method=None,
• colocate_gradients_with_ops=False,
• name=None,
• grad_loss=None

returns

• 一系列的梯度和变量，变量必须存在，但是梯度可以为空。

tf.argmax(input, axis=None, name=None, dimension=None)

函数参数：

• input：输入Tensor
• axis：0表示按列，1表示按行
• name：名称
• dimension：和axis功能一样，默认axis取值优先。新加的字段

输出

• 返回：Tensor 一般是行或列的最大值下标向量