tensorflow常用的函数

tf.nn.conv2d()

tf.nn.conv2d(
        input, 输入张量，类型为float16，float32，float64；张量的顺序根据data_format的值来进行解释
        filters, 滑动窗口的尺寸，形状为[filter_height, filter_width, in_channels, out_channels],窗口的高，宽，输入的通道数，输出的通道数
        strides, 滑动窗口移动的步长[1, strides, strides, 1] 不对batch核channels计算，strides为实际移动步长
        padding, 数据填充类型{'same','valid'}, 前者使用0填充，后者不使用
        data_format='NHWC',{"NHWC", "NCHW"} 分别对应的是N:数据量，H:图像高度，W:图像宽度，C:图像通道数
        dilations=None, 可选列表，[1,1,1,1],长度为1-D的张量，input每个维度的扩张系数。如果k>1，则该维度上的每个滤镜元素之间将有k-1个跳过单元格
        name=None)

tf.nn.max_pool()

tf.nn.max_pool(
       input, 输入张量(Tensor)，类型为float16，float32，float64；张量的顺序根据data_format的值来进行解释
       ksize, 池化窗口的尺寸，[1, height, width, 1], 不对batch核channels池化，height和width为池化窗口的高度和宽度
       strides, 池化窗口移动的步长[1, strides, strides, 1],不对batch核channels计算，strides为实际移动步长
       padding, 数据填充类型(string){'same','valid'}, 前者使用0填充，后者不使用
       data_format='NHWC', 'NHWC',图像格式(string){"NHWC", "NCHW"，"NCHW_VECT_C"} 分别对应的是N:数据量，H:图像高度，W:图像宽度，C:图像通道数
       name=None
        )

tf.nn.softmax()

tf.nn.sparse_softmax_cross_entropy_with_logits(
    labels,标签张量(Tensor),标签的概率分布，shape为[l0,l1,l2,l3...lr-1]，r为标签的分类数，类型为int32或者int64
    logits,预测值张量(Tensor),预测的概率分布，shape为[p0,p1,p2,p3...pr-1],其中r是分类数，类型为float16，float32或者float64
    name=None
)

Save()

tf.train.Checkpoint().save()

保存ckpt模型

tf.train.Checkpoint(
				    optimizer=optimizer,
				    encoder=encoder,
				    decoder=decoder
				).save(file_prefix=("./model/ckpt"))# 可将未训练好的模型保存到modl/ckpt目录下

tf.keras.Model().save()

tf.keras.Model(params).save("./model/h5")
# 例如
model = tf.keras.Model()
model.fit(
			inputs,
			outputs,
			epochs=300,
			vebose=1)
mdoel.save(model_path)

tf.keras.models.save_model()

tf.keras.models.save_model(
				model, 要保存的 Keras 模型实例
				modelpath, 路径(string),要保存的位置
				overwrite=True, 我们是应该覆盖目标位置的任何现有模型，还是应该用手动提示来询问用户
				include_optimizer=True, 如果为 True，则将优化程序的状态保存在一起
				save_formate=None, “tf”或“h5”，指示是将模型保存到 Tensorflow SavedModel 还是 HDF5。在 TF 2.X 中默认为“tf”，在 TF 1.X 中默认为“h5”
				signatures=None, 要使用 SavedModel 保存的签名。仅适用于“tf”格式。有关详细信息，请参阅 tf.saved_model.save 中的参数。signatures
				options=None （仅适用于已保存模型格式）tf.saved_model。SaveOptions 对象，该对象指定要保存到 SavedModel 的选项
)

Load()

model.load_weight()

导入权重数据和偏置数据

state = tf.train.last_checkpoint(modelpath)
model = tf.keras.Model()
model.load_weights(state)# load权重数据和偏置数据

tf.keras.models.load_model()

导入整个模型包括数据模型和结构模型

model = tf.keras.models.load_model(modelpath)

tf.keras.layers

tf.keras是tf2.x版本提供的一个库，方便快捷的搭建神经网络

tf.keras.layers.Conv2D()

tf.keras.layer.Conv2D(
		filter, 核的个数，int类型
        kerbek_size, 滑动窗口的尺寸，形状为[filter_height, filter_width, in_channels, out_channels],窗口的高，宽，输入的通道数，输出的通道数
        strides, 滑动窗口移动的步长[1, strides, strides, 1] 不对batch核channels计算，strides为实际移动步长
        padding, 数据填充类型{'same','valid'}, 前者使用0填充，后者不使用
        data_format='NHWC',{"NHWC", "NCHW"} 分别对应的是N:数据量，H:图像高度，W:图像宽度，C:图像通道数
        activation=None， 激活函数
        input_shape=None,作为首层时，指定输入的张量尺寸
        name=None)

tf.keras.layers.Flatten()

tf.keras.layers.Flatten(
		data_format='NHWC',{"NHWC", "NCHW"} 分别对应的是N:数据量，H:图像高度，W:图像宽度，C:图像通道数
		name=None)

tf.keras.layers.Dense()

tf.keras.layers.Dense(
	nits,输出单元个数
    activation=None,激活函数
    name=None
    )

tr.keras.layers.MaxPool2D()

tr.keras.layes.MaxPool2D(
	pool_size=(2,2),池化窗口大小
	strides=None,移动步长
	padding='valid',填充0
	data_format=None,'NHWC',{"NHWC", "NCHW"} 分别对应的是N:数据量，H:图像高度，W:图像宽度，C:图像通道数
	)