tensorflow基本语法

1. tensor数据类型，理解为一个向量，创建方法可是

   tf.constant([1,2,3,4])
   tf.Variable(tf.random_normal([3, 3], stddev=0.1))
   

2. shape，描述tensor的维度

   a = tf.constant([ [1, 2], [3, 4] ])
   print a.shape
   

3. 打印tensor的值

   b = tf.constant([1, 2])
   c = a * b
   sess = tf.Session()   #创建一个会话，资源的申请管理
   sess.run(tf.Print(c, [c, b])) # c是目标节点，[c, b]是计算过程中需要打印的tensor 
   

4. tf.reshape, 改变tensor的形状，但是元素的数量不能改变

   aa = tf.reshape(a, [1, 4]) # [1, 2, 3, 4]
   aa = tf.reshape(a, [-1, 1]) # [[1],  [2], [3],  [4]] #只能有一个-1，-1表示那一维没有限制
   

5. tf.reduce_sum, 求和

   r = tf.reduce_sum(a)#所有元素求和10
   tf.reduce_sum(a, 1)#[3, 7] , 0按行求和， 1按列求和
   

6. tf.sign， tensor元素的符号

   a = tf.constant([1.1, 0, -1.1])
   b = tf.sign(a) # [1, 0, -1]
   

7. tf.cast, 类型转换

   tf.cast(a, tf.int32) # [1, 0, -1]
   

8. tf.transpose 矩阵转置

   output = tf.transpose(input, [1, 0, 2]) #这个就是一个三维向量的行列转置，1，0，2表示input的dim，input的shape是(3,4,5)，完了就是(4,3,5)
   

9. tf.gather 取部分

   b = tf.gather(a, [0, 1])  #取第一行和第二行
   

10. tf.matmul,矩阵相乘

11. tf.nn.embedding_lookup，embedding

    em = tf.Variable(tf.random_uniform([vocab_size, emb_dim], -init_scope, init_scope)
    tf.nn.embedding_lookup(em, [1, 2])#em是所有词汇的编码，1，2是要编码的词的id，相当于查表操作
    

12. tf.train.Saver，保存模型，和增量训练

    saver = tf.train.Saver()
    saver.save(sess, "model") #保存
    saver.restore(sess, modelfile) # 从新加载，给图变量初始化，可以增量训练
    

13. tf.nn.softmax

    softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)
    

14. tf.FixedLenFeature

       feature_types = {"left": tf.FixedLenFeature([10], tf.int64)} #10指向量的维度， int64指元素类型
    

15. tf.parse_example，数据预处理，和FixedLenFeature一起使用可以固定shape

    features = tf.parse_example(batch_examples, features = features_types)
    

16. tf.train.Example，数据格式

     feature = {"left": [1, 2, 3], "right": [5, 6, 7], "label": [0, 1]}
     example = tf.train.Example(features=tf.train.Features(feature=feature))
     writer = tf.python_io.TFRecordWriter(tfrecord_name)
     writer.write(example.SerializeToString()) #转换成tf格式的数据
    

17. tf.TFRecordReader，读TF格式得数据

    reader = tf.TFRecordReader()
    _, example = reader.read(file_queue)
    

18. tf.train.batch，把数据分成多个batch

    batches = tf.train.batch([example],  batch_size = batch_size, num_threads = 1, capacity = 10000 + batch_size * 2)
    

simple func:

  def length(sequence):
     used = tf.sign(tf.reduce_max(tf.abs(sequence), 2))
     length = tf.reduce_sum(used, 1)
     length = tf.cast(length, tf.int32)
     return length

取2维中每行非零元素的个数