新手python、tensorflow项目中遇到的常见问题（持续更新）
python版本：3.6
1.jupyter notebook中创建文件夹
概述：os.makedirs() 方法用于递归创建目录。
语法：
os.makedirs(path, mode=0o777)参数：
path -- 需要递归创建的目录。
mode -- 权限模式。
例子：
import os
os.makedirs('/abc')
print('done')
jupyter notebook默认打开的C盘根目录，不设定具体目录路径，文件夹保存在C盘根目录。
2.urllib库的urlretrieve()方法下载网络文件到本地
模块：from urllib.request import urlretrieve
语法：
urlretrieve(url, filename=None, reporthook=None, data=None)
官网： retrieve(url[, filename[, reporthook[, data]]])
参数：
url：外部或者本地url文件
filename：保存到本地的文件名或者路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）
reporthook：文件传输时的回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调，我们可以利用这 个回调函数来显示当前的下载进度。
data：post提交到服务器的数据。
该方法返回一个包含两个元素的(filename, headers)元组，filename 表示保存到本地的路径，header 表示服务器的响应头。The return value is a tuple consisting of a local filename and either a mimetools.Message object containing the response headers (for remote URLs) or None (for local URLs).
3.pickle — Python object serialization
The pickle module implements binary protocols for serializing and de-serializing a Python object structure.(pickle用于序列号和反序列化)
To serialize an object hierarchy, you simply call the dumps() function. Similarly, to de-serialize a data stream, you call the loads() function. However, if you want more control over serialization and de-serialization, you can create a Pickler or an Unpickler object, respectively.（dumps()用来序列化， loads() 用来反序列化）
1）pickle.dump(obj, file, protocol=None, *, fix_imports=True)
Write a pickled representation of obj to the open file object file. This is equivalent to Pickler(file,protocol).dump(obj).（将obj的pickled表示写入打开的文件对象文件。）
2）pickle.load(file, *, fix_imports=True, encoding="ASCII", errors="strict")
Read a pickled object representation from the open file object file and return the reconstituted object hierarchy specified therein. This is equivalent to Unpickler(file).load().（从打开的文件对象文件中读取pickle对象表示，并返回其中指定的重构对象层次结构）
4. with tf.name_scope()
5.tf.random_nomal()
用于从服从指定正太分布的数值中取出指定个数的值.
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
- shape: 输出张量的形状，必选
- mean: 正态分布的均值，默认为0
- stddev: 正态分布的标准差，默认为1.0
- dtype: 输出的类型，默认为tf.float32
- seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
- name: 操作的名称
可以参考https://blog.csdn.net/dcrmg/article/details/79028043，包含示例说明。
6.tf.random_uniform 函数. 从均匀分布中输出随机值.
random_uniform( shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None )
7.tf.concat()详解
tensorflow中用来拼接张量的函数tf.concat()，用法:
tf.concat([tensor1, tensor2, tensor3,...], axis)
先给出tf源代码中的解释:
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]
# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0)) # [4, 3]
tf.shape(tf.concat([t3, t4], 1)) # [2, 6]
axis表示你在哪个维度上进行连接，他是整数，从0开始计数，0表示第一个维度，1表示第二个维度......
tensor1....是一个列表。列表里面是要连接的矩阵或者数组。
我理解的要点是，在哪个维度上连接，那么这个维度肯定会增加。
从上面的例子可以看出，axis=0，在第一个维度上连接，那么第一个维度肯定增加，也就是行会增多。
8. tf.contrib.layers.fully_connected()
官网：
tf.contrib.layers.fully_connected(
inputs,
num_outputs,
activation_fn=tf.nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
weights_regularizer=None,
biases_initializer=tf.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None
)
Args:
1.inputs: A tensor of at least rank 2 and static value for the last dimension; i.e. [batch_size, depth], [None, None, None, channels].
2.num_outputs: Integer or long, the number of output units in the layer.
3.activation_fn: Activation function. The default value is a ReLU function. Explicitly set it to None to skip it and maintain a linear activation.
4.normalizer_fn: Normalization function to use instead of biases. If normalizer_fn is provided then biases_initializer and biases_regularizer are ignored and biases are not created nor added. default set to None for no normalizer function
9. tf.reduce_sum
reduce_sum(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)reduce_sum 是 tensor 内部求和的工具。其参数中：
1). input_tensor 是要求和的 tensor
2). axis 是要求和的 rank，如果为 none，则表示所有 rank 都要仇和
3). keep_dims 求和后是否要降维
4). 这个操作的名称，可能在 graph 中 用
5). 已被淘汰的，被参数 axis 替代
示例如下：
x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x, 0) # 对 tensor 的 0 级进行求和，[1,1,1] + [1,1,1] = [2 2 2]
tf.reduce_sum(x, 1) # 对 tensor 的 1 级进行仇和，[1+1+1, 1+1+1] = [3 3]
tf.reduce_sum(x, 1, keep_dims=True) # 对第 1 级进行求和，但不降维, [[3] [3]]
tf.reduce_sum(x, [0, 1]) # 0 级和 1级都要求和，6
tf.reduce_sum(x) # 因为 x 只有 2 级，所以结果同上一个，610.tf.reshape(tensor,shape,name=None)
这里主要想说明下-1的作用：
-1 的应用:-1 表示不知道该填什么数字合适的情况下，可以选择，由python通过a和其他的值3推测出来，比如，这里的a 是二维的数组，数组中共有6个元素，当使用reshape()时，6/3=2，所以形成的是3行2列的二维数组，可以看出，利用reshape进行数组形状的转换时，一定要满足（x,y）中x*y=数组的个数。
>>>a = np.array([[1,2,3],[4,5,6]])
>>>np.reshape(a,(3,-1))
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.reshape(a,(1,-1))
array([[1, 2, 3, 4, 5, 6]])
>>> np.reshape(a,(6,-1))
array([[1],
[2],
[3],
[4],
[5],
[6]])
>>> np.reshape(a,(-1,1))
array([[1],
[2],
[3],
[4],
[5],
[6]])
11.python中的with语句
with语句适用于对资源进行访问的场景，确保不论使用过程中是否发生异常都会执行必要的“清理”操作，释放资源，比如文件使用后自动关闭，线程中锁的自动获取和释放。
with zipfile.ZipFile(sava_path) as zf:
zf.extractall(data_path)12.python中的ZipFile
官网解释：https://docs.python.org/3/library/zipfile.html#zipfile-objects
class zipfile.ZipFile(file, mode='r', compression=ZIP_STORED, allowZip64=True, compresslevel=None)
Open a ZIP file, where file can be a path to a file (a string), a file-like object or a path-like object.
打开一个zip文件，对其操作，可以参考11的例子形式。