keras 记录

1. tf.nn.moments
   用来计算均值和方差
   返回值为mean var

import tensorflow as tf

img = tf.Variable(tf.random_normal([128, 32, 32, 64]))
axis = list(range(len(img.get_shape()) - 1))
mean, variance = tf.nn.moments(img, axis)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
#     print(sess.run(img))
    print(axis)
    resultMean = sess.run(mean)
    print('resultMean',resultMean)
    resultVar = sess.run(variance)
    print('resultVar',resultVar)

对于 [128, 32, 32, 64] 这样的4维矩阵来说，一个batch里的128个图，经过一个64kernels卷积层处理，得到了128 * 64个图，再针对每一个kernel所对应的128个图，求它们所有像素的mean和variance，因为总共有64个kernels，输出的结果就是一个一维长度64的数组。

原文链接：https://blog.csdn.net/TeFuirnever/article/details/88898003

1. __ 。。。__是什么
   解释链接

• keras API model 简单应用
• jupyter notebook调用文件内函数

@tf.function

在TensorFlow 2.0中，推荐使用 @tf.function （而非1.X中的 tf.Session ）实现Graph Execution，从而将模型转换为易于部署且高性能的TensorFlow图模型。只需要将我们希望以Graph Execution模式运行的代码封装在一个函数内，并在函数前加上 @tf.function 即可

• autograph & tf.module

图像操作>去噪
介绍

计算并返回一个或多个图像的总体变化。
总变化量是输入图像中相邻数值绝对差值的总和。这测量了图像中有多少噪声量。

这可以在优化期间利用损失函数，以抑制图像中的噪声。如果你有累积图像，那么你应该计算标量损失值作为总和：

损失= tf.reduce_sum（tf.image.total_variation（images））