Python学习

tf.placeholder()

1.为输入数据分配必要的内存，神经网络构建graph时在模型中的占位。
如：X = tf.placeholder(“float”, [None, n_input])
2.预分配内存，假装这个变量已经存在，实际上不用给它赋予值就可以进行使用，后续通过
tf.Session(config=config_gpu) as sess:
sess.run(init)即可运行之前用到X的部分
之前需要赋值部分：
config_GPU = tf.ConfigProto()
config_GPU.gpu_options.allow_growth = True
3.目的：减小开销，每次的batch替代上一次里面的值

class与def的区别

1.class为类，抽象概念，优点是可以保存状态，起到模板的作用，把一些通用的东西写进类定义中，也就是_init_函数中，实例化时必须输入相应属性，不然报错。
2.def为函数，具体实现，容易理解，但是当系统较大时，重复性多。
总结：class必须要输入相应属性，有点像将多个函数进行功能性封装。

类的实例

类就像是一个集合，类的实例就是集合中的一个元素，将一个类具体化就成为了类的实例。

RNN的输入

报错如下：
ValueError: Input 0 of layer sequential is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [None, 256]
原因：RNN的输入应该为3维的；
原理：tensor[seq_len,batch_size,input_dim]；

图出自：https://www.jianshu.com/p/b942e65cb0a3
batch_size：时间步数

reshape()与shape()

reshape()与原变量可使用同一变量名
shape()需要一个新的变量

tf.cast()

tensorflow中类型强制转换为float32
cast(x, dtype, name=None)

python中坐标轴科学计数法

y轴科学计数法：plt.semilogy(x, y, lw)
x轴科学计数法：plt.semilogx(x, y, lw)
xy轴均科学计数法:plt.loglog(x, y, lw)

自定义RNN中的loss函数

from keras import backend as K
def myloss(batch_y_test, y_pred):
losses = （自定义的函数，包括参数batch_y_test, y_pred）
return losses

model.compile(loss=myloss)