1.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
功能:求平均值
参数:
input_tensor:输入
reduction_indices:指定维度
2.clip_by_value()
功能:将一个张量中的数值限制在一个范围内
例:
v = tf.constant([1.0, 2.0, 3.0], [4.0, 5.0, 6.0])
print(tf.clip_by_value(v, 2.5, 4.5).eval())
#输出:[[2.5, 2,5, 3][4, 4.5, 4.5]]
3.tf.nn.softmax_cross_entropy_with_logits(y, y_)
功能:使用softmax回归之后的交叉熵损失
参数:
第一个参数是不包括softmax层的前向传播结果
第二个参数是正确结果
4.where()
功能:选择数据。有三个参数,第一个参数为选择依据,当选择条件为True时,选择第二个参数的值,当条件为False时,选择第三个参数的值。
5.greater()
功能:输入两个张量,比较两个张量中每一个元素大小,返回True或者False
6.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
功能:生成制定shape的随机数,正态分布随机数
参数:
mean:均值
stddev:标准差
dtype:数据类型
seed:随机数种子
7.tf.contrib.layers.l1_regularizer()
功能:对给定参数进行l1正则化
例子:
weights = tf.constant([[1.0, -2.0], [-3.0, 4.0]])
with tf.Session() as sess:
print(sess.run(tf.contrib.layers.l1_regularizer(.5)(weights)))
输出为(|1| + |-2| + |-3| + |4|) * 0.5 = 5
8.tf.truncated_normal(shape, mean=0.0, stddev=1.0)
功能:生成制定shape的随机数,截断正态分布随机数,均值mean,标准差stddev
9.tf.assign(a, new_a)
功能:更改数值a为new_a
10.tf.argmax(input, axis = None, name = None, dimension = None)
功能:计算input中最大值的下标
参数:
input:输入Tensor
axis:0表示按列,1表示按行
name:名称
dimension:和axis功能一样,默认axis取值优先
11.tf.cast(x, dtype, name=None)
功能:把数据x进行格式转换,转换成dtype类型