代码混搭（待续）

__future__

from __future__ import print_function # 在 py2 的代码中使用py3 的print 函数，py2 中 print 'abc' 将会报错

from __future__ import division # 引入，使得 1/2=0.5 而不是 0

 

setuptools（setup.py）

自己创建python关联包

#创建egg 包

from setuptools import setup

from setuptools import find_packages

setup(name='gcn', #包名

version='1.0', # 版本号

description='Graph Convolutional Networks in Tensorflow',

author='Thomas Kipf',

author_email='thomas.kipf@gmail.com',

url='https://tkipf.github.io',

download_url='https://github.com/tkipf/gcn',

license='MIT',

install_requires=['numpy',

'tensorflow',

'networkx',

'scipy'

],

package_data={'gcn': ['README.md']},

packages=find_packages())

 

tuple

list = [1,2,3,4]

a,b,c,d = tuple(list)

a= 1;b=2;c=3;d=4

 

dict.update()

dict1.update(dict2) # 将dict2 的字典在dict1 中更新

 

Tensorflow

"Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。"

“在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。”

 

tf.placeholder()

在tensorflow 构建的图中为变量进行占位，在实际运行过程前使用 feed_dict() 对变量进行赋值。

参数为： 类型、维度、名称

tf.truncated_normal()

产生截断的服从正态分布的数据，均值、方差自己设置，如果产生的随即参数与均值的差大于两倍方差，则会重新产生

参数：维度、均值、方差

tf.Variable()

初始化图变量，第一个变量为初始化值，且必填，如果name参数有，则将这个变量名称的参数值传给当前，否则新建一个并且初始化，trainable可以控制是否参与网络优化——是否是可优化参数

参数：初始化值，trainable=True，name=‘’，######

tf.matmul()

参数中的矩阵进行矩阵乘法，参数中有控制矩阵做乘法前是否

tf.multiply()

参数中的矩阵对应元素相乘

tf.gather()

参数：队列、索引

将索引指向的值在列表中抽出来组成新的队列

tf.nn.softmax_cross_entropy_with_logists_v2()

计算softmax(logits) 和 label 之间交叉熵的函数

tf.reduce_sum()

压缩求和，可以设置按行或者列压缩求和

 

numpy

np.eye()

生成可以用于生成one-hot 编码 np.eye(3)[0] : [1, 0, 0]

参数：数组维度，k控制对角元移动个数（默认为对角是1，k=0）

np.indentity()

生成对角方阵