python、tensorflow、opencv的小总结(一)

1.python中datetime模块

**

2. numpy.random.seed()用于设置随机数种子 Numpy.random.RandomState()可取带.seed()

**

**

3.TensorFlow.session()

**
Tensorflow定义完图结构，并不会直接计算，需要利用session才能激活。一般直接利用第一种session机制就足够了。

方法一：
Sess=tensorflow.Session()
Result=sess.run(product)
Print(result)
Sess.close()
方法二：
Wtih tensorflow.session() as sess:
Result2=sess.run(product)
Print(result2)
**

4.Tensorflow.placeholder()

**
又一存储数据的利器.placeholder（数据类型，结构）

**

5.np.argmax()

**
tf.argmax就是返回最大的那个数值所在的下标。

Axis=0:最大范围，所以的数组进行比较，只是比较这些数相同的位置

Axis=1：范围缩小，只会比较每个数组内数的大小，几个数组产生几个数的结果

这是里面都是数组长度一致的情况，如果不一致，axis最大值为最小的数组长度-1，超过则报错。 当不一致的时候，axis=0的比较也就变成了每个数组的和的比较。
**

6.tf.truncated_normal

**
tf.truncated_normal(shape, mean, stddev) :

• shape表示生成张量的维度
• mean是均值
• stddev是标准差。

这个函数产生正太分布，均值和标准差自己设定。
一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。
**

7.tf.nn.conv2d()

**
tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)

• Input需要做卷积的输入图像，是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape
• Filter 相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width,in_channels,out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，三维in_channels就是参数input的第四维。
• Strides 卷积时在图像每一维的步长
• Padding string类型，只能是“SAME”“VALID”，决定不同卷积方式,‘SAME’时，表示卷积核可以停留在图像边缘,卷积核特征提取后的图像size与卷积之前size一样
• Use_cudnn_on_gpu bool类型，是否使用cudnn加速
• 结果返回Tensor，一般称为feature map

**

8.tf.nn.max_pool实现池化操作

**
tf.nn.max_pool(value,ksize,stridea,padding,name=None)

• Value:需要池化的输入，一般池化层在卷积层后面，所以输入通常是feature map，[batch, height, width,channels]这样的shape

• Ksize:池化窗口的大小，四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

• Strides：和卷积类似，窗口在每一维度上滑动的步长，一般[1, stride,stride, 1]

• Padding：卷积类似

9.tf.argmax()

tf.argmax(input, axis=None, name=None, dimension=None)

• Input:输入tensor
• Axis：0表示安列，1表示按行
• Name：名称
• Dimension：和axis功能一样，默认axis取值优先

**

10.tf.reshape()

**
tf.reshape(tensor, shape, name=None) 数据重定形状函数

• Tensor：输入数据
• Shape：目标形状
• Name：名称