Tensorflow学习日记（1）

1. tf.reduce_mean()

tf.reduce_mean()函数用于计算张量tensor沿着指定的数轴（tensor上的某一维度）上的平均值，主要用于作降维或者计算tensor（图像）上的平均值

import tensorflow as tf
 
x = [[1,2,3],
      [1,2,3]]
 
xx = tf.cast(x,tf.float32)               #执行tensorflow中张量类型数据转换
 
mean_all = tf.reduce_mean(xx)            #keep_dims：是否要保持当前维度，默认False
mean_0 = tf.reduce_mean(xx, axis=0)
mean_1 = tf.reduce_mean(xx, axis=1)
 
 
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

比如axis = 0，求每一列的均值（跨行 down）；axis = 1，求每一行的均值（跨列 across）

2. with tf.Session() as sess

import tensorflow as tf
 
# Build a graph.
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
 
# Launch the graph in a session.
sess = tf.Session()
 
# Evaluate the tensor 'c'.
print sess.run(c)
sess.close()
 
# result: [3., 8.]

    Session提供了Operation执行和Tensor求值的环境

3. tf.matmul()和tf.multiply()

    tf.multiply()是两个矩阵对应元素的相乘

    tf.matmul()是矩阵a乘以矩阵b，矩阵乘法

matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[3]])
product = tf.matmul(matrix1, matrix2)
sess = tf.Session()
print(sess.run(product))                 #输出[[15]]

product = tf.multiply(matrix1, matrix2)
print(sess.run(product))                 #输出[[6 6] [9 9]]

4. axis

axis=0代表往跨行（down)，axis=1代表跨列（across)

5. init = tf.initialize_all_variables()

初始化的是神经网络中的变量，只有在定义变量之后才要求是必须加的，没有定义变量就不用加这条语句

6. tf.random_uniform

tf.random_uniform((6,6),minval = low, maxval = high, dtype = tf.float32)  返回6*6的矩阵，产生于low和high之间，产生的值是均匀分布

7. np.c_和np.r_

b = np.array([[1,2,3],
              [4,2,1]])
c = np.array([[4,5,6],
              [7,8,9]])
print(np.c_[b,c])

'''
按行转化成矩阵
[[1 2 3 4 5 6]
 [4 2 1 7 8 9]]
'''

print(np.r_[b,c])

'''
按列转化成矩阵
[[1 2 3]
 [4 2 1]
 [4 5 6]
 [7 8 9]]
'''