深度学习技术图像处理技术入门 同步学习（第五章）

第5章 排列组合——深度神经网络框架的模型元件

1. tf​.​constant​(​value​,​ dtype​=​None​,​ shape​=​None​,​ name​=​’Const’​,​ verify_shape​=​False)

• value:是一个必须的值，可以是一个数值，也可以是一个列表；可以是一维的，也可以是多维的。

• dtype​：数据类型，一般可以是tf.float32, tf.float64等

• shape：表示张量的“形状”，即维数以及每一维的大小

• name: 可以是任何内容，只要是字符串就行

• verify_shape：默认为False，如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错

2. tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

• input : 输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_width, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_width 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3

• filter： 卷积核，要求也是一个张量，shape为 [ filter_height, filter_width, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_width 为卷积核宽度，in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，out_channel 是卷积核数量

• strides： 卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1

• padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围，"VALID"则不考虑

• verify_shape：默认为False，如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错

• use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true

3. Tensorflow定义会话

定义会话有两种方法，一般使用第二种：

1 # method 1
2 sess=tf.Session()            # 将Session简写为sess
3 result=sess.run(product)     # 调用run方法执行图，这个触发了三个op(操作)，两个常量的建立，矩阵的乘法
4 print(result)
5 sess.close()                 # 关闭会话

1  # method 2
2 with tf.Session() as sess:    # Session()后面的()因为代码提示里没有，所以很容易丢  
3     result=sess.run(product)
4     print(result)             # with as的这种结构会自动关闭会话

4. tf.global_variables_initializer()什么时候用？

• 含有tf.Variable的环境下，因为tf中建立的变量是没有初始化的，也就是在debug时还不是一个tensor量，而是一个Variable变量类型，必须要使用global_variables_initializer；
• 不含有tf.Variable、tf.get_Variable的环境下，比如只有tf.random_normal或tf.constant等，可以不使用初始化。

5. 关于对数组的切片m[0,:,:,0]理解

import numpy as np
m=np.random.randint(0,10,(2