数据定义
占位符
x = tf.placeholder(dtype=tf.float32,shape)变量
W = tf.Variable(tf.zeros(shape))常数变量
tf.Variable(tf.constant(0.1,shape=shape))
tf.zeros(shape,dtype)
tf.ones(shape,dtype)
#生成一个全部为给定数字的数组
tf.fill(shape,number)
随机数
从均匀分布中返回随机值
tf.random_uniform(shape,minval=low,maxval=high,dtype=tf.float32)返回一个（0，x）之间的整数
np.random.randint(0,x)正态分布
tf.random_normal(shape,stddev)截断正态分布
tf.truncated_normal(shape,stddev)激活函数
Relu激活函数
tf.nn.relu(tf.matmul(x,W1)+b1)softmax激活函数
tf.nn.softmax(tf.matmul(hidden1_drop,W2)+b2)优化方法
随机失活
keep_prob = tf.placeholder(tf.float32)
hidden1_drop = tf.nn.dropout(hidden1,keep_prob)局部响应归一化
tf.nn.lrn(conv2,4,bias=1.0,alpha=0.001/9.0,beta=0.75)损失函数
交叉熵损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))平方损失函数
cross_entropy = tf.reduce_mean(tf.square(y_-y))训练器
tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)tf.train.AdagradOptimizer(learning_rate).minimize(cross_entropy)卷积
stride前后两位通常为1，即[1,x,x,1]，‘SAME’表示对数据填充
tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')池化
tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')其他函数
#argmax()表示返回最大值下标，1代表的是行内比较，0代表列内比较
correct_prediction = tf.equal(tf.argmax(y,1),tf.arg_max(y_,1))#统计全部样本预测的arruracy,先用tf.cast将之前correct_prediction输出的bool值转换为float32
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))将不同部分的损失函数累加
tf.add_to_collection('losses',cross_entropy_mean)
#实现各列表元素的对应维度的相加
tf.add_n(tf.get_collection('losses',name='total_loss'))变量初始化
init_op = tf.initialize_all_variables()
sess.run(init_op)tf.greater的输入是两个张量，比较张量中每一个元素的大小，并返回比价结果。tf.select判定第一个参数的值，若为True,选择第二个参数的值，否则使用第三个参数的值。
loss_less = 10
loss_more = 1
loss = tf.reduce_sum(tf.select(tf.greater(y,y_),(y-y_)*loss_more,(y_-y)*loss_less))