tensorflow常用函数笔记

1. tf.Session() 与 tf.InteractiveSession()

用tf.Seesino()构建会话，要定义好所有的operation之后，才能构建会话

用tf.InteractiveSession()构建会话，可以先构建一个会话再定义operation，适用于交互式环境。

2. tf.ConfigProto()

创建session时，对session进行参数设置

with tf.Session(config=tf.ConfigProto(...),...)

#tf.ConfigProto()的参数
log_device_placement=True #是否打印设备分配日志
allow_soft_placement=True #如果你指定的设备不存在，允许TF自动分配设备
tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)

3. tf.get_variable() 与 tf.variable_scope()

tf.get_variable() 用于创建或获取变量

（1）用于创建变量时，与tf.Variable()功能基本相同

v=tf.get_variable("v",shape=[1],initializer.constant(1.0))
v=tf.Variable(tf.constant(1.0,shape=[1]),name="v")

相同点：创建变量的过程基本类似，调用tf.Variable()时所用的维度以及初始化的参数与tf.get_variable()基本类似
不同点：指定变量名称的参数不同，对于tf.Variable()变量名称是一个可选的参数，通过name="v"的形式给出;而tf.get_variable()中变量名是必须要有的参数，函数根据变量名创建或者获取参数。

（2）用于获取变量时

先通过tf.variable_scope()生成一个上下文管理器，并指明需求的变量在这个上下文管理器中

然后直接用tf.get_variable()获取已经生成的变量

#通过tf.variable_scope()控制tf.get_variable(),以获取或创建变量

#名为“zx”的上下文控制器
with tf.variable_scope("zx"):
    v=tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))#在“zx”中定义名为“v”的变量

with tf.variable_scope("zx"):
    v=tf.get_variable("v",[1])#通过tf.get_variable()在“zx”中创建“v”变量，失败，因为在“zx”中已经有一个了

如果上下文管理器中已经有了想要的变量，想要通过tf.get_variable()获取它，可通过设置参数reuse的值为True来获取：

with tf.variable_scope("zx",reuse=True):
    v1=tf.get_variable("v",[1])

print v==v1#输出为True

(3)其他

tf.variable_scope()只能用于获取已经创建了的变量
若tf.variable_scope()参数reuse=False或reuse=None创建上下文管理器，则tf.get_variable()可用于创建新变量，但不可创建已有变量（即同名变量）

4. tf.contrib.layers.xavier_initializer()

返回一个用于初始化权重的初始化程序“Xavier”，用来保持每一层梯度大小基本相同

xavier_initializer(
    uniform=True,
    seed=None,
    dtype=tf.float32
)

参数：

uniform：使用uniform或者normal分布进行随机初始化
seed：用来生成随机数的种子
dtype：只支持浮点数

返回值：

初始化的权重矩阵

5. tf.placeholder()

通式：tf.placeholder(dtype,shape=None,name=None)

可将这个函数中的值当作形参，在具体用到的时候再给它们赋值

参数：

dtype:：数据类型，通常是dtype=tf.float32,tf.float64浮点类型
shape：数据形状，也就是数据维度，默认为None
name：名称

x=tf.placeholder(tf.float32,shape=(1024,1024))
y=tf.matmul(x,x)#矩阵相乘

with tf.Session() as sess:
    print(sess.run(y))#ERROR,因为此时x没有具体赋值

    rand_array=np.random.rand(1024,1024)
    print(sess.run(y,feed_dict={x:rand_array}))#输出成功

返回：tensor类型

6. tf.train.AdamOptimizer()

实现了Adam算法的优化器

7. tf.nn.xw_plus_b()

tf.nn.xw_plus_b((x,weights)+biases)相当于tf.matmul(x,weights)+biases

import tensorflow as tf

x=[[1, 2, 3],[4, 5, 6]]  
w=[[ 7,  8],[ 9, 10],[11, 12]]  
b=[[3,3],[3,3]]

res1=tf.nn.xw_plus_b(x,w,[3,3])
res2=tf.matmul(x,w)+b
init_op=tf.initializer_all_variables()

with tf.Session() as sess:
    #运行初始化操作
    sess.run(init_op)
    print(sess.run(res1))
    print(sess.run(res2))


输出：
[[ 61  67]
 [142 157]]
[[ 61  67]
 [142 157]]

8. feed_dict

给使用placeholder创建出来的tensor赋值。

未完待续