tf 笔记（1）

1.

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

从截断的正态分布中输出随机值。

生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

横轴区间（μ-σ，μ+σ）内的面积为68.268949%。 

横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%。

 横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。 

X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。 

在tf.truncated_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。

参数:

• shape: 一维的张量，也是输出的张量。

• mean: 正态分布的均值。

• stddev: 正态分布的标准差。

• dtype: 输出的类型。

• seed: 一个整数，当设置之后，每次生成的随机数都一样。

• name: 操作的名字。

2.

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

给定四维的input和filter tensor，计算一个二维卷积

参数：

• input: A Tensor. type必须是以下几种类型之一: half, float32, float64.

• filter: A Tensor. type和input必须相同

• strides: A list of ints.一维，长度4， 在input上切片采样时，每个方向上的滑窗步长，必须和format指定的维度同阶

• padding: A string from: "SAME", "VALID". padding 算法的类型

• use_cudnn_on_gpu: An optional bool. Defaults to True.

• data_format: An optional string from: "NHWC", "NCHW"， 默认为"NHWC"。

• 指定输入输出数据格式，默认格式为"NHWC", 数据按这样的顺序存储：

• [batch, in_height, in_width, in_channels]

• 也可以用这种方式："NCHW", 数据按这样的顺序存储：

• [batch, in_channels, in_height, in_width]

• name: 操作名，可选.

3.

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

Args	Annotation
第一个参数value	需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize	池化窗口的大小，取一个四维向量，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
第三个参数strides	和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding	和卷积类似，可以取’VALID’ 或者’SAME’. 返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式. padding=’VALID’时，无自动填充。padding=’SAME’时，自动填充，池化后保持shape不变。