这里总结一下博主在看源代码时所遇到的一些函数。
tensorflow虽然是一个很好的编程框架，但是学习起来也很费劲，因为其中的函数很多，函数的参数也很多，难度很大，为避免遗忘，特在此记录一些常用的重要函数以及其参数的相关用法。
本博文长期更新
1.os.path.join(p1,p2)
该函数是将路径p2添加到p1中，换句话说，p2是p1的分支，例如：
a = ‘F:\data’
b = os.path.join(a,‘img’)
#则b = ‘F:\data\img’
2.reshape(tensor,shape,name=None)
该函数是将张量tensor的维度转变成指定的shape，例如：
a = [np.arange(8)]
将a转换成2*4的向量，有两种写法：
a.reshape([2,4])
np.reshape(a,[2,4])
其中有一个参数可以写成-1，因为在变换过程中，总的元素个数不能改变，所以确定了其他的维度后，可以剩下唯一的参数填写-1。
3.tf.transpose(input, [dimension_1, dimenaion_2,…,dimension_n])
该函数主要适用于交换输入张量的不同维度用的，如果输入张量是二维，就相当是转置（可以用.T代表）。dimension_n是整数，如果张量是三维，就是用0,1,2来表示。这个列表里的每个数对应相应的维度。如果是[2,1,0]，就把输入张量的第三维度和第一维度交换。例如：
a = [np.arange(8)]
b = a.reshape([2,2,2])
下面两种写法是等价的
c = tf.transpose(b,[2,1,0])
c = b.transpose([2,1,0])
4.net = slim.conv2d(net, 64, 7, 2, padding=‘VALID’, scope=‘conv_2’)
卷积层简化版：
第一个参数是net
第二个参数是filter深度（个数，64个）
第三个参数是filter的size（7*7）
第四个参数是stride（2，默认为1可以省略不写）
5.net = slim.max_pool2d(net, 2, padding=‘SAME’, scope=‘pool_3’)
max_pooling最大池化简化版
第一个参数是net
第二个参数是filter的size
第三个参数（此处已经省略，默认为1）是stride
6.slim.flatten(inputs,outputs_collections=None,scope=None)
该函数将输入扁平化但保留batch_size,假设第一维是batch，例如：
a=([[[1,2,3],[4,5,6],[7,8,9]],[[10,11,12],[13,14,15],[16,17,27]],[[18,19,20],[21,22,23],[24,25,26]]]) #shape is (3,3,3)
b=slim.fatten(a) #此时b的shape是（3,9），保留了第一维的大小
7.net = slim.fully_connected(net, 512, scope=‘fc_33’)
全连接层的简写：
第一个参数是net
第二个参数是全连接层的节点个数
8.net = slim.dropout(net, keep_prob=keep_prob, is_training=is_training, scope=‘dropout_35’)
dropout的简写：
第一个参数为net
第二个参数为dropout的概率
第三个参数是是否训练，true or false
（一般有前两个参数和scope参数即可）
9.tf.stack(input, axis)
该函数是一个矩阵拼接函数，axis=0时实现行拼接，axis=1时实行列拼接（默认为0）。例如：
a = [1,2,3]
b = [4,5,6]
c = tf.stack([a,b],axis=0) #c的shape为（2,3）
d = tf.stack([a,b],axis=1) #d的shape为（3,2）
10.tf.clip_by_value（input, min, max）:
该函数是用于矫正输入的，如果input<min，则输出min，如果input>max，则输出max，如果min<input<max，则输出input
11.tf.tile(input,multiples,name=None)
该函数用于需要张量扩展的场景，具体说来就是：
如果现有一个形状如[width, height]的张量，需要得到一个基于原张量的，形状如[batch_size,width,height]的张量，其中每一个batch的内容都和原张量一模一样。其中multiple和input的维度相同，表示在input的第几维度上重复几次，例如：
raw = tf.Variable(tf.random_normal(shape=(1, 3, 2)))
multi = tf.tile(raw, multiples=[2, 1, 1]) 表示在第一维度上重复2次，其他维度不变