tensorflow的学习笔记一（初级）

函数类： tf.reshape(tensor, shape, name=None) 
函数的作用是将tensor变换为参数shape的形式。 

其中shape为一个列表形式，特殊的一点是列表中可以存在-1。-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。（当然如果存在多个-1，就是一个存在多解的方程了）

代码：

with tf.Session() as sess:  
    a = np.array([[1,2,3],[4,5,6]])
    b = tf.reshape(a,[3,2])
  #  sess.run(b)
    print(sess.run(b))

[[1 2]
 [3 4]
 [5 6]]

注意，这里面的之后的类型，也可以用tuple，（3，2）

tf.decode_csv()

tf.decode_csv(
    records,
    record_defaults,
    field_delim=',',
    use_quote_delim=True,
    name=None,
    na_value=''
)

Convert CSV records to tensors. Each column maps to one tensor.每一列都是一个张量。

• records: A Tensor of type string. Each string is a record/row in the csv and all records should have the same format.
• record_defaults: A list of Tensor objects with specific types. Acceptable types are float32, float64, int32,int64, string. One tensor per column of the input record, with either a scalar default value for that column or empty if the column is required.

返回：A list of Tensor objects

iter() 函数用来生成迭代器

 tf.losses.mean_squared_error(labels=tf_y, predictions=outs) 这是均方差，是L2的形式。

predictions, target

tf.layers.dense用法

dense：全连接层

相当于添加一个层，即初学的add_layer()函数

tf.layers.dense(
    inputs,
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

其中：

        inputs: 该层的输入

        units: 输出的大小（维数），整数或long

        activation: 使用什么激活函数（神经网络的非线性层），默认为None，不使用激活函数

        use_bias: 使用bias为True（默认使用），不用bias改成False即可

全连接层的定义： 全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。也就是中间的隐藏层吧。