iDe ：pycharm
深度学习框架:tensorflow-gpu
win10+1050ti
参考书目：21个项目玩转tensorflow
1>tf.reshape(tensor, shape, name=None)
作用：将tensor转变成shape大小
特殊之处在与，可以存在-1选项
如在书本中，代码
x_image= tf.reshape(x,[-1,28,28,1]表示的就是讲原图片转变成 ？*28*28*1维的矩阵
官方例子
# tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9]
# tensor 't' has shape [9]
reshape(t, [3, 3]) ==> [[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
# tensor 't' is [[[1, 1], [2, 2]],
# [[3, 3], [4, 4]]]
# tensor 't' has shape [2, 2, 2]
reshape(t, [2, 4]) ==> [[1, 1, 2, 2],
[3, 3, 4, 4]]
# tensor 't' is [[[1, 1, 1],
# [2, 2, 2]],
# [[3, 3, 3],
# [4, 4, 4]],
# [[5, 5, 5],
# [6, 6, 6]]]
# tensor 't' has shape [3, 2, 3]
# pass '[-1]' to flatten 't'
reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6]
# -1 can also be used to infer the shape
# -1 is inferred to be 9:
reshape(t, [2, -1]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3],
[4, 4, 4, 5, 5, 5, 6, 6, 6]]
# -1 is inferred to be 2:
reshape(t, [-1, 9]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3],
[4, 4, 4, 5, 5, 5, 6, 6, 6]]
# -1 is inferred to be 3:
reshape(t, [ 2, -1, 3]) ==> [[[1, 1, 1],
[2, 2, 2],
[3, 3, 3]],
[[4, 4, 4],
[5, 5, 5],
[6, 6, 6]]]
# tensor 't' is [7]
# shape `[]` reshapes to a scalar
reshape(t, []) ==> 72>tf.truncated_normal
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)- shape: 一维的张量，也是输出的张量。
- mean: 正态分布的均值。
- stddev: 正态分布的标准差。
- 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
在tf.truncated_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。
与之相对的是
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)其输出的是指定均值和方差的正态分布的随机值
3>tf.constant(x,shape)
tf.constant(0.1,shape=shape)
生成常数
b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2]) => [[7. 8.]
[9. 10.]
[11. 12.]]4>tf.nn.con2d（）
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)这是tensorflow中生成卷积函数的一个函数，
第一个参数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
第二个参数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
第三个参数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
第四个参数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。“SAME”表示的是，当卷积核划到边界，且原图像不够时，此时，会自动填充0，以补充维度，而“VLID”则不会，而是直接舍弃最后一列
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
5>tf.nn.max_pool(value, ksize, strides, padding, name=None)
tf.nn.max_pool(value, ksize, strides, padding, name=None)这是一种简单的池化函数
第一个参数 value 表示池化的对象，一般是一个tensor ，其内容为[batch数量，height，width，channal]
stride：类似于卷积核，一般为[1,height,width,1]
padding : 依然有“SAME”和“VLID”两种选择
6>
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None) keep_prob表示的是，drop掉的概率是多少，一般可以表示为0.5
7>前面，在上一篇文章中我们-tf.reduce.sum(y*log(y_))表示其交叉熵，这边有直接的函数
四种交叉熵的计算公式
一
tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None,labels=None, logits=None, name=None
logits:一个数据类型（type）是float32或float64，表示的是预测数据
shape:[batch_size,num_classes],单样本是[num_classes]
labels:和logits具有相同的type(float)和shape的张量(tensor)，实际数据
name:操作的名字，可填可不填
7>
Tensor.eval(feed_dict=None, session=None)：
tf.Tensor的Session.run() 的另外一种写法
https://blog.csdn.net/chengshuhao1991/article/details/78554743
上述博客有官方文档的翻译
总而言之，当tensor是tensor时，两者相当
最大的区别在于，sess可以进行多重计算
t = tf.constant(42.0)
u = tf.constant(37.0)
tu = tf.mul(t, u)
ut = tf.mul(u, t)
with sess.as_default():
tu.eval() # runs one step
ut.eval() # runs one step
sess.run([tu, ut]) # evaluates both tensors in a single step8>
%% 百分号标记 #就是输出一个%
%c 字符及其ASCII码
%s 字符串
%d 有符号整数(十进制)
%u 无符号整数(十进制)
%o 无符号整数(八进制)
%x 无符号整数(十六进制)
%X 无符号整数(十六进制大写字符)
%e 浮点数字(科学计数法)
%E 浮点数字(科学计数法，用E代替e)
%f 浮点数字(用小数点符号)
%g 浮点数字(根据值的大小采用%e或%f)
%G 浮点数字(类似于%g)
%p 指针(用十六进制打印值的内存地址)
%n 存储输出字符的数量放进参数列表的下一个变量中