tf.truncated_normal函数
功能：从截断的正态分布中输出随机值。
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
-
shape：生成张量的维度
-
mean：均值
- stddev:标准差
- dtype: 输出的类型。
- seed: 一个整数，当设置之后，每次生成的随机数都一样。
- name: 操作的名字。
只保留[mean-2*stddev,mean+2*stddev]范围内的随机数，和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差
tf.Variable函数
功能：定义图变量
tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)
只有第一个参数是必须的
| 参数名称 | 参数类型 | 含义 |
|---|---|---|
| initial_value | 所有可以转换为Tensor的类型 | 变量的初始值 |
| trainable | bool | 如果为True，会把它加入到GraphKeys.TRAINABLE_VARIABLES，才能对它使用Optimizer |
| collections | list | 指定该图变量的类型、默认为[GraphKeys.GLOBAL_VARIABLES] |
| validate_shape | bool | 如果为False，则不进行类型和维度检查 |
| name | string | 变量的名称，如果没有指定则系统会自动分配一个唯一的值 |
tf.nn.conv2d函数
功能：二维卷积函数
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
-
input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是
[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一。 -
filter：相当于CNN中的卷积核，
它要求是一个Tensor，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in_channels -
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 [1,1,1,1]通常只修改第二第三个参数，代表横向和纵向上移动的补偿
-
padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式。使用SAME边缘将会补0 步长为1的话卷积后图像尺寸不变。
-
use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
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, height, width, channels]这种形式
tf.placeholder函数
功能：
tf.placeholder(dtype, shape=None, name=None)
tf.placeholder(dtype, shape=None, name=None)-
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
-
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
- name：名称。
tf.nn.max_pool_2*2函数
功能：最大池化
tf.nn.max_pool(value, ksize, strides, padding, name=None)
-
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 -
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 -
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] -
padding：和卷积类似，可以取'VALID' 或者'SAME'
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
tf.constant函数
功能：生成一个给定值的常量
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
-
value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或......）参数可以是一个常量值，或者一个dtype类型的值列表。如果value为一个列表，那么这个列表的长度必须小于或等于shape参数所指定的大小(如果设置shape的话)。当列表长度小于shape参数所指定的大小时，缺少的列表项会被填充为列表的最后一个参数。
-
dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）
-
shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更高，超过部分按value提供最后一个数字填充
-
name：常量名，选填，默认值不重复，根据创建顺序为（Const，Const_1，Const_2.......）
-
verify_shape:是否验证value的shape和指定shape相符，若设为True则进行验证，不相符时会抛出异常
tf.nn.relu函数
功能：relu激活函数
tf.nn.relu(features, name=None)
- features:特征图
- name:常量名，选填
tf.matmul()函数
功能：将矩阵a 乘于 矩阵b
tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
- a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。
- b: 一个类型跟张量a相同的张量。
- transpose_a: 如果为真, a则在进行乘法计算前进行转置。
- transpose_b: 如果为真, b则在进行乘法计算前进行转置。
- adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。
- adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。
- a_is_sparse: 如果为真, a会被处理为稀疏矩阵。
- b_is_sparse: 如果为真, b会被处理为稀疏矩阵。
- name: 操作的名字（可选参数）
返回值：
一个跟张量a和张量b类型一样的张量且最内部矩阵是a和b中的相应矩阵的乘积。如果所有的转置或adjoint参数都为假，则公式为output[..., :, :] = a[..., :, :] * b[..., :, :]
tf.nn.dropout函数
功能：训练时随机丢弃一部分数据来减轻过拟合
dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
- x：输入的数据
- keep_prob：dropout概率
tf.nn.softmax函数
功能：Softmax回归，将logistic的预测二分类的概率的问题推广到了n分类的概率的问题。
(一种归一化的方式)
tf.nn.softmax(logits,axis=None,name=None, dim=None)
- logits:一个非空张量,必须是以下类型之一：half, float32, float64
- axis:将被执行的softmax维度,默认值是-1，表示最后一个维度。
- name:操作的名称（可选）。
tf.reduce_mean、tf.reduce_max函数
功能：在tensor的某一维度上求和求最大值
tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- input_tensor:待求值的tensor。
- reduction_indices:在哪一维上求解。