Tensorflow笔记-

1.python

• 安装包：coda install
  卸载包：conda remove
  更新包：conda update
  模糊查询：conda search

• pip命令：
  安装包：pip install
  卸载包：pip uninstall

• conda环境管理：
  创建环境：conda crate --name
  激活环境：activate
  退出环境：deactivate
  删除环境：conda remove --name --all
  查看当前环境系统：conda env list

• 列表：list[] 中间可以嵌套，中间元素可以混合，可以同时是字符串，数字，元组，列表。期中的元素可以被修改。
  list[::2] 不限制开头和结束以2为步长截取。
  list[[],[],…] 多维列表截取：list[-1][2:]:截取高维中最后一个列表的中，从第二个元素开始截取后边部分。

  元组：tuple() 元素同列表，不同的是元组的元素不能修改，元组写在小括号里。

  集合 set{} 期中不显示重复元素
  集合的补集：set1^set2 等于两集合的并集-两集合的交集

  dictionary字典：是一个无序的 { 键（key）：值(value) } 对, 同一个字典中，键（key）是唯一的。字典中的元素是通过键来存取的。
  

  列表推导式：创建和操作列表
  由一个=表达式以及紧跟着这个表达式的for语句构成，for语句还可以跟0个或者多个 if 或 for 语句。
  
  函数：（自定义函数）
  
  在函数内部使用全局变量时需要用global，出函数时全局变量跟随函数修改：
  
  类：
  learncount为共有属性。
  读写文件：
  
  异常处理：（try: except:）
  
  库的使用：
  x_data和y_data为集合。
  绘图模块：plt
  
  帮助：help()、dir()

2.Tensorflow

• 创建会话运行：
  （1）关闭：sess.close() #释放内存
  
  （2）自动释放内存：
  

• 单个数据为标量（零阶张量scalar），一维数组为向量（一阶张量vector），n维度数组为n阶张量tensor。 张量并没有真正保存数字，保存的是计算过程。

• 维度：
  最外边有几个括号就是几维，有几维shape里边就有几个数字。shape（4，2，3）代表最外维里有4个元素，第二维里有2个元素，最里维有3个元素。
  

• 变量：
  需要初始化，之后还需要运行sess.run(init)
  (常量不需要初始化)
  更新变量：update_value=tf.assign(value,new_value) #将 value的值更新为new_value
  

• 占位符
  不等同变量，可以不初始化
  
  
  

• 画图:TensorBoard
  启动：
  然后会生成日志文件：
  
  生成图：（一般不需要）
  
  画出图：
  
  画图示例：

plt.scatter(x_data,y_data)  #画出点集合
plt.plot(x_data,2*x_data+1.0,color="red",linewidth=3)   #画出直线或线段

• 损失和误差

• 超参数
  

• tf.nn.static_bidirectional_rnn : 创建双向循环神经网络
  tf.nn.static_bidirectional_rnn(
  cell_fw,
  cell_bw,
  inputs,
  initial_state_fw=None,
  initial_state_bw=None,
  dtype=None,
  sequence_length=None,
  scope=None
  )
  参数说明：
  cell_fw:前向神经元，如BasicRNNCell.
  cell_bw:反向神经元
  input:网络输入，一个长度为T的list，list中的每个Tensor元素shape为[batch_size,input_size]
  initial_state_fw:可选参数。前向RNN的初始RNN，必须是合适类型的Tensor以及shape为[batch_size,cell_fw.state_size]。
  Initial_state_bw:可选参数。同initial_state_fw。
  dtype:初始状态的数据类型。
  sequence_length:一个int32/int64的向量，长度为[batch_size],包含每个序列的实际长度。
  scope:默认为”bidirectional_rnn
  返回：

一个(outputs,output_state_fw,output_state_bw)的元组，其中，outputs是一个长度为T的list，list中的每个元素对应每个时间步的输出，它们是深度级联的前向和反向输出。output_state_fw是前向RNN的最终状态，output_state_bw是反向RNN的最终状态。