tensorflow部分函数的介绍（1）

1.concat

import tensorflow as tf

t1 = [[[1, 1, 1],[2, 2, 2]],[[3, 3, 3],[4, 4, 4]]]

t2 = [[[5, 5, 5],[6, 6, 6]],[[7, 7, 7],[8, 8, 8]]]

with tf.Session() as sess:

A = tf.concat(0, [t1, t2])

B = tf.concat(1, [t1, t2])

C = tf.concat(2, [t1, t2])

print(sess.run(A))

print('---------------------------------------------------------')

print(sess.run(B))

print('---------------------------------------------------------')

print(sess.run(C))

2.tensorflow.nn.bidirectional_dynamic_rnn()

cell_fw, # 前向RNN

cell_bw, # 后向RNN

inputs, # 输入

sequence_length=None,# 输入序列的实际长度（可选，默认为输入序列的最大长度）

initial_state_fw=None,  # 前向的初始化状态（可选）

initial_state_bw=None,  # 后向的初始化状态（可选）

dtype=None, # 初始化和输出的数据类型（可选）

parallel_iterations=None, swap_memory=False,  time_major=False, # 决定了输入输出tensor的格式：如果为true, 向量的形状必须为 `[max_time, batch_size, depth]`.  # 如果为false, tensor的形状必须为`[batch_size, max_time, depth]`.  scope=None )

返回值： 一个(outputs, output_states)的元组 其中，

outputs为(output_fw, output_bw)，是一个包含前向cell输出tensor和后向cell输出tensor组成的元组。假设 time_major=false,tensor的shape为[batch_size, max_time, depth]。实验中使用tf.concat(outputs, 2)将其拼接。

output_states为(output_state_fw, output_state_bw)，包含了前向和后向最后的隐藏状态的组成的元组。 output_state_fw和output_state_bw的类型为LSTMStateTuple。 LSTMStateTuple由（c，h）组成，分别代表memory cell和hidden state。

3.tf.nn.embedding_lookup

函数的用法主要是选取一个张量里面索引对应的元素。tf.nn.embedding_lookup（tensor, id）:tensor就是输入张量，id就是张量对应的索引。

4.tf.reshape(tensor,shape,name=None)

函数的作用是将tensor变换为参数shape形式，其中的shape为一个列表形式，特殊的是列表可以实现逆序的遍历，即list(-1).-1所代表的含义是我们不用亲自去指定这一维的大小，函数会自动进行计算，但是列表中只能存在一个-1。（如果存在多个-1，就是一个存在多解的方程） 

5.tf.matmul(a，b，name)

a，b维度相同

输入a ，b必须是矩阵或者维度大于2的tensor

这个函数是专门矩阵或者tensor乘法，而不是矩阵元素对应元素相乘。

6.squeeze 

从数组的形状中删除单维度条目，即把shape中为1的维度去掉。

7.tf.convert_to_tensor()

将python的数据类型转换成TensorFlow可用的tensor数据类型