tensorflow学习（日常更新）

2019.2.25   

tf.concat([tensor1, tensor2, tensor3,...], axis)  #用来拼接张量

  t1 = [[1, 2, 3], [4, 5, 6]]
  t2 = [[7, 8, 9], [10, 11, 12]]
  tf.concat([t1, t2], 0)  # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
  tf.concat([t1, t2], 1)  # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

 

  # tensor t3 with shape [2, 3]
  # tensor t4 with shape [2, 3]
  tf.shape(tf.concat([t3, t4], 0))  # [4, 3]
  tf.shape(tf.concat([t3, t4], 1))  # [2, 6]

和np.concatenate()用法相同；

>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],

       [3, 4],

       [5, 6]])

>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
       [3, 4, 6]])

2019.3.1

tf.InteractiveSession():它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。
tf.Session():需要在启动session之前构建整个计算图，然后启动该计算图。

意思就是在我们使用tf.InteractiveSession()来构建会话的时候，我们可以先构建一个session然后再定义操作（operation），如果我们使用tf.Session()来构建会话我们需要在会话构建之前定义好全部的操作（operation）然后再构建会话。
--------------------- 
作者：fool-zz 
来源：CSDN 
原文：https://blog.csdn.net/qq_14839543/article/details/77822916 
版权声明：本文为博主原创文章，转载请附上博文链接！

2019.3.2

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

import numpy as np
a=np.array([1,2,3,4,5,6,7,8])
output=a.reshape((2,4))
print(output)

结果为：[[1 2 3 4] [5 6 7 8]]

2.tf.name_scope和tf.variable_scope()的用法：主要用于共享变量，如下面的链接所示，不过没有看懂。。

https://www.imooc.com/article/22966