TensorFlow（TensorFlow学习）常见的函数介绍

1.tf.multiply（）两个矩阵中对应元素各自相乘

2.tf.matmul（）将矩阵a乘以矩阵b，生成a * b

3.tf.Variable：主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）； 声明时，必须提供初始值； 名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值；

weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights') )
biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')

4.tf.placeholder(dtype, shape=None, name=None)：用于得到传递进来的真实的训练样本： 不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定； 这也是其命名的原因所在，仅仅作为一种占位符；

dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称。

x = tf.placeholder(tf.float32, shape=(1024, 1024))  
y = tf.matmul(x, x)    
with tf.Session() as sess:  
  print(sess.run(y))  # ERROR: 此处x还没有赋值.    
  rand_array = np.random.rand(1024, 1024)  
  print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.  

4.使用flags定义命令行参数（第一个是参数名称，第二个参数是默认值，第三个是参数描述）注释：当程序tf.app.run()函数时，它会跳到main()中执行，通过tf.app.flags.DEFINE_string()函数来增加变量,mian()里面通过FLAGS.加上你上面增加的参数名字来引用变量。和C/C++编写main函数中的argv一样，tf框架下也封装了tf.app.flags.DEFINE_XXXX()函数用于定义参数，便于命令行形式传递参数。常见的函数形式如下：

flags.DEFINE_float(参数1，参数2，参数3)

tf.app.flags.DEFINE_string('str_name', 'def_v_1',"descrip1")
tf.app.flags.DEFINE_integer('int_name', 10,"descript2")
tf.app.flags.DEFINE_boolean('bool_name', False, "descript3")

5.为什么要用placeholder？

Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。 所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

tf.placeholder(dtype, shape=None, name=None)
Tensorflow中，dtype主要有以下几种数据类型如下
tf.int8：8位整数。
tf.int16：16位整数。  
tf.int32：32位整数。
tf.int64：64位整数。
tf.uint8：8位无符号整数。 
tf.uint16：16位无符号整数。
tf.float16：16位浮点数。
tf.float32：32位浮点数。
tf.float64：64位浮点数。
tf.double：等同于tf.float64。 
tf.string：字符串。  tf.bool：布尔型。 
tf.complex64：64位复数。   
tf.complex128：128位复数。

6. tf.equal()、tf.cast()、tf.reduce_mean()三个函数的使用

1 语法
tf.equal（x, y） 判断x， y是否相等，相等返回true，不相等false

import tensorflow as tf
x = [1, 3, 0, 2]
y = [1, 4, 2, 2]
equal = tf.equal(x, y)
with tf.Session() as sess:
    print(sess.run(equal))

输出：
[ True False False True]
2 语法
tf.cast(x, dtype, name=None) 数据类型转换
x 待转换的数据 dtype 目标数据类型 name=None 操作的名称

import tensorflow as tf
x = [1, 3, 0, 2]
y = [1, 4, 2, 2]
equal = tf.equal(x, y)
type = tf.cast(equal, tf.float32)
with tf.Session() as sess:
    print(sess.run(type))

输出：
[1. 0. 0. 1.]
3 语法
tf.reduce_mean() 求均值，上面的代码最后一行改为：

print(sess.run(tf.reduce_mean(type)))