TensorFlow学习笔记-方法篇

本章节中的方法都基于tensorflow官方文档2.5中的定义和官方文档中1.15版本的定义，左侧是V1版本的旧名称，右侧是V2现行可用的替代函数。最新日期为2021.5,

tf.random_uniform() || tf.random.uniform()

shape：一维整数张量或 Python 数组.输出张量的形状.
minval：dtype 类型的 0-D 张量或 Python 值；生成的随机值范围的下限；默认为0.
maxval：dtype 类型的 0-D 张量或 Python 值.要生成的随机值范围的上限.如果 dtype 是浮点,则默认为1 .
dtype：输出的类型：float16、float32、float64、int32、orint64.
seed：一个 Python 整数.用于为分布创建一个随机种子.查看 tf.set_random_seed 行为.
name：操作的名称(可选).

tf.zeros()

tf.zeros(
    shape, dtype=tf.dtypes.float32, name=None
)

参数：
shape:一维整数张量或 Python 数组.输出张量的形状.
dtype:输出的类型：float16、float32、float64、int32、orint64.
name:

tf.math.reduce_mean()

tf.math.reduce_mean(
    input_tensor, axis=None, keepdims=False, name=None
)

参数：
input_tensor 要计算的张量. Should have numeric type.
axis 计算沿着的方向/维度 If None (the default), reduces all dimensions. Must be in the range [-rank(input_tensor),rank(input_tensor)).
keepdims 是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
name A name for the operation (optional).

tf.train.GradientDescentOptimizer ||tf.compat.v1.train.GradientDescentOptimizer

tf.train.GradientDescentOptimizer(
    learning_rate, use_locking=False, name='GradientDescent'
)

下属方法：

minimize

minimize(
    loss, global_step=None, var_list=None, gate_gradients=GATE_OP,
    aggregation_method=None, colocate_gradients_with_ops=False, name=None,
    grad_loss=None
)

通过更新参数最小化loss