Tensorflow module梳理

     Tensorflow中包含类，函数和模块，不同的模块负责不同的功能，部分会有重复，下面就是对Tensorflow模块的梳理。(主要看的是pyCharm）中可调用的模块。

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
__author__ = 'Abel'
import tensorflow as tf

#tensorflow的所有模块
# tf.train:模型训练
# tf.summary：能够保存训练过程以及参数分布图并在tensorboard显示。
# tf.math：数学操作
# tf.test：单元测试相关的方法
# tf.logging：日志信息操作
# tf.app：通用的程序入口点,tf.app.run()和tf.app.print_function()
# tf.bitwise:整数的二进制操作
# tf.compat:将对象转换为str，如tf.compat.as_str()
# tf.distributions：tensorflow的各种分布api
# tf.errors：tensorflow的异常类型和各种错误
# tf.estimator：用于处理模型的高级工具
# tf.feature_column：在使用很多模型的时候，都需要对输入的数据进行必要的特征工程处理。最典型的就是:one-hot处理，还有hash分桶等处理。
tf.feature_column.categorical_column_with_hash_bucket
# tf.flags:命令行参数
# tf.gfile：文件io的导入方法
# tf.graph_util：在python中操作tensor graph的助手
# tf.image:图像处理和解码操作
# tf.initializers：初始化相关操作
# tf.keras：tensorflow中实现的keras的API，中间还有很多的模块
# tf.layers：各种层的实现，例如cov2D,dropout,MaxPooling2D这些操作
# tf.linalg：线性代数的相关操作
# tf.losses：用于神经网络的损失计算
'''
tf.absolute_difference(…):将绝对差异损失添加到训练过程中
tf.add_loss(…):将外部定义的损失添加到损失集合中。
tf.compute_weighted_loss(…):计算加权损失。
tf.cosine_distance(…):将余弦距离损失添加到训练过程中。
tf.get_loss(…):从loss_collection获取损失列表。
tf.get_regularization_loss(…):获取总的正则化损失。
tf.get_regularization_losses(…):获取正则化损失的列表。
tf.get_total_loss(…):返回一个张量，其值表示总损失。
tf.hinge_loss(…):将hinge损失添加到训练过程中。
tf.huber_loss(…):在训练过程中添加一个Huber Loss项。
tf.log_loss(…):在训练过程中添加一个日志丢失项。
tf.mean_pairwise_squared_error(…):在训练过程中添加成对错误平方损失。在训练过程中添加一对误差平方loss. 
与mean_squared_error不同的是,这是predictions和labels的对应元素之间的差异的量度,mean_pairwise_squared_error是predictions和labels对应元素对之间的差异的量度.
tf.mean_squared_error(…):向训练过程添加均方误差损失。
tf.sigmoid_cross_entropy(…):使用tf.nn.sigmoid_cross_entropy_with_logits创建一个交叉熵损失。
tf.softmax_cross_entropy(…):使用tf.nn.softmax_cross_entropy_with_logits_v2创建一个交叉熵损失。
tf.sparse_softmax_cross_entropy(…):使用tf.nn.sparse_softmax_cross_entropy_with_logits进行交叉熵损失。
'''
# tf.manip：张量操作运算符
# tf.metrics：计算TP,FP,TN,FN以及recall召回率，precision精确度，accuracy准确度以及AUC这些。
# tf.nn：用于原始神经网络(NN)操作的包装器。
'''
三者功能有重复之处
tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。
tf.layers：主要提供的高层的神经网络，主要和卷积相关的，tf.nn会更底层一些。
tf.contrib.layers提供够将计算图中的 网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。
'''
# tf.profiler：分析tensorflow性能
# tf.python_io：用于直接操作TFRecord格式文件的Python函数。
# tf.pywrap_tensorflow
# tf.resource_loader：资源加载
# tf.saved_model：模型的存储与恢复
# tf.sets：Tensorflow集合操作。
# tf.sparse：稀疏的张量表示。
# tf.spectral：计算各种变换，如fft（快速傅里叶变换），dct(离散余弦变换)，ifft等
# tf.strings：用于处理字符串张量的操作。
'''
tf.strings.format(…):使用张量列表格式化字符串模板。
tf.strings.join(…):将给定字符串张量列表中的字符串连接成一个张量;
tf.strings.length(…):输入的字符串长度。
tf.strings.reduce_join(…):连接给定维度上的字符串张量。
tf.strings.regex_full_match(…):检查输入是否匹配regex模式。
tf.strings.regex_replace(…):用重写替换匹配regex模式的输入元素。
tf.strings.split(…):根据sep将源元素分割成稀疏张量。
tf.strings.strip(…):从张量中带前后的空白。
tf.strings.substr(…):从字符串张量中返回子字符串。
'''
# tf.sysconfig：系统配置库