tensorflow学习笔记

1. 如何得知一个变量的名字

#获取了变量的值
变量名.name()
#获取变量的值
se.run(变量名)  		  #   se是会话的名字

2. 关于变量作用域这个问题…待定吧

3. 定义变量的方式：

用给给定值定义：

var1 = tf.Variable(10.0 , name="varname")     
var2 = tf.Variable(13.0 )
可以查看变量的名字和 变量的值：
第一种方式，直接创建会话：
se=tf.Session()
print(se.run(w))			#就得到了变量的值
print(w.name)				#就得到了变量的名字
第二种方式 ，通过构建上下文管理器创建会话：
with tf.Session as se:
	se.tf.global_variables_initializer().run()
	print(se.run(w))			#就得到了变量的值
	print(w.name)				#就得到了变量的名字

4. 初始化变量的方法 的使用：

4. 1

#	创建一个会话
se=tf.Session()
se.run(tf.global_variables_initializer())
或者是：
tf.global_variables_initializer().run(session=se)
这两种方式都会给 初始化所有的全局变量
因此，要注意初始化变量的操作是通过会话实现的！！！

4. 2

#通过上下文管理器 来创建 会话，然后通过会话 来初始化变量！！！
with tf.Session() as se:
    tf.global_variables_initializer().run()

5. tf.InteractiveSession()和tf.Session()

我们使用tf.InteractiveSession()来构建会话的时候，我们可以先构建一个session然后再定义操作（operation），如果我们使用tf.Session()来构建会话我们需要在会话构建之前定义好全部的操作（operation）然后再构建会话。
在使用时，tf.InteractiveSession() ，要放在代码的开始位置。然乎定义各项操作。
tf.Session()则相反。
对此学习仅止于此，他们之间的其他关系暂不考虑，网上还有他们的其他关系。
参考文献

6. 参数是形状的情况

参数是形状，那么一般是给出 列表 的形式，其中第一个数字代表第一维度，第二个数字代表第二维度，以此类推…

7. placeholder()

8. 矩阵加法

矩阵加法就是矩阵对应的元素相加。

矩阵乘法和矩阵对应元素的乘法不一样。（数组只能进行对应元素相乘，那个时候其实他也不叫矩阵了）

数组对应元素相乘：

tf.multiply(X, W)

9. 构建前向结构

前向结构

z = tf.multiply(X, W)+ b 

10. tf.square(a,name=None)

作用是对数据a的每个元素求平方！name是这个操作的名字一般是忽略不写。

a = [[2,3],[4,5]]
with tf.Session() as se:
    x=tf.square(a)
    print(se.run(x))		#通过se.run(x) 来获得x的值，前面有讲过

11.

reduce_mean(
				input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)

一般只使用input_tensor：表示输入的张量；axis=None表示 要降维是哪一维（0表示列，1表示行）；keep_dims=False, 表示在降维的那个维度上是否保持原状。
例子：

import tensorflow as tf
x = [[1,2,3],
      [1,2,3]]
xx = tf.cast(x,tf.float32)
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

如果设置保持原来的张量的维度，keep_dims=True ，结果：

print m_a    # output: [[ 2.]]
print m_0    # output: [[ 1.  2.  3.]]
print m_1    #output:  [[ 2.], [ 2.]]

类似函数还有:

• [ ]
• List item

tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;