Tensorflow常见函数用法

1、tf.get_variable()

1.1.函数原型：

  tf.get_variable(name, shape, initializer)

1.2.参数说明：

  （1）name：变量名称；
  （2）shape：变量的维度；
  （3）initializer：变量初始化的方式，包括以下几种方式：
  tf.constant_initializer：常量初始化函数
  tf.random_normal_initializer：正态分布
  tf.truncated_normal_initializer：截取的正态分布
  tf.random_uniform_initializer：均匀分布
  tf.zeros_initializer：全部是0
  tf.ones_initializer：全是1
  tf.uniform_unit_scaling_initializer：满足均匀分布，但不影响输出数量级的随机值

1.3.例程：

example = tf.get_variable(name='example', shape=[2,3], initializer=tf.random_normal_initializer(mean=0, stddev=1))

2、tf.Variable（）

2.1.函数原型：

  tf.Variable(initial_value,trainable=True,collections=None, validate_shape=True, name=None)

2.2.参数说明：

2.3.例程：

tf.Variable(tf.random_normal((2,3),stddev=1,seed=1))

3、tf.nn.conv2d（）

3.1.函数原型：

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

3.2.参数说明：

  （1）input：4维Tensor，要求是具有[batch, in_height, in_width, in_channels]这样的shape，含义为[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，要求类型为float32和float64其中之一。比如在输入层，input[0,:,:,:]表示第一张图片，input[1,:,:,:]表示第二张图片，以此类推。
  （2）filter：4维Tensor，相当于CNN中的卷积核，要求具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维。
  （3）strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4
  （4）padding：string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。”SAME”是考虑边界，不足的时候用0去填充周围，”VALID”则不考虑
  （5）use_cudnn_on_gpu: bool类型，是否使用cudnn加速，默认为true
  （6）name：

3.3.返回值

  结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, new_height, new_width, channels]这种形式

3.4.例程

filter_weight = tf.get_variable('weights', [2, 2, 1, 1], initializer = tf.constant_initializer([[1, -1],[0, 2]]))
x = tf.placeholder('float32', [1, None, None, 1])
conv = tf.nn.conv2d(x, filter_weight, strides = [1, 2, 2, 1], padding = 'SAME')

4、tf.nn.max_pool（）

4.1.函数原型：

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

4.2.参数说明：

  （1）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。
  （2）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。
  （3）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]。
  （4）padding：string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。”SAME”是考虑边界，不足的时候用0去填充周围，”VALID”则不考虑
  （5）name:

4.3.返回值

  结果返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

4.4.例程：

tf.nn.max_pool(tensor,ksize[1,2,2,1],strides=[1,2,2,1],padding='SAME')