Tensorflow 实用函数集合

tf.greater(tensor1,tensor2) 

a=tf.constant([1,2],name="a",dtype=tf.float32)
b=tf.constant([1,0],name="b",dtype=tf.float32)
sess=tf.InteractiveSession()
#比较两个张量的大小并返回结果，当两个张量维度不同时，会进行类似Numpy广播操作
print(tf.greater(a,b).eval())
#输出 [False True]

tf.where(选择条件根据，True2do,False2do) 如果满足条件，使用第二个参数，如果不满足使用第三个

a=tf.constant([1,2],name="a",dtype=tf.float32)
b=tf.constant([1,0],name="b",dtype=tf.float32)
sess=tf.InteractiveSession()
print(tf.where(tf.greater(a,b),a,b).eval())
#输出[1,2]

tf.train.exponential_decay(初始学习率，global_step,衰减速度，衰减系数,staircase=True/False) 一般来说初始学习率、衰减速度和衰减系数都是根据经验设置的，而且损失函数下降速度和迭代结束之后总损失的大小没有必然联系。

gloabal_step=tf.Variable(0)
#通过exponential_decay函数生成学习率
learning_rate=tf.train.exponential_decay(0.1,gloabal_step,100,0.96,staircase=True)
#使用指数衰减的学习率，需要在minimize函数中传入global_step将自动更新global_step参数，从而使得学习率得到对应更新
learning_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(..myloss..,global_step=gloabal_step)

tf.add_to_collection('losses', cur_loss)

tf.get_collection('losses')

通过集合的方法在网络结构比较复杂的情况下可以使代码的可读性提高

tf.argmax(array, 0/1) 简单的说，tf.argmax就是返回最大的那个数值所在的下标。0 代表按列 1代表按行 即axis不同

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
np.argmax(test, 0)　　　＃输出：array([3, 3, 1]
np.argmax(test, 1)　　　＃输出：array([2, 2, 0, 0]