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。
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
: ATensor
of typestring
. Each string is a record/row in the csv and all records should have the same format.record_defaults
: A list ofTensor
objects with specific types. Acceptable types arefloat32
,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。