1
tf.gather(等待被取元素的张量，索引)
tf.gather根据索引，从输入张量中依次取元素，构成一个新的张量。
索引的维度可以小于张量的维度。这时，取张量元素时，会把相应的低维当作一个整体取出来。
例如
假设输入张量 [[1,2,3],[4,5,6],[7,8,9]] 是个二维的
如果只给一个一维索引0. 它就把[1,2,3]整体取出：
如果给两个一维索引，0和1，它就形成[[1,2,3],[4,5,6]]
2
reduce_sum应该理解为压缩求和，用于降维
# 'x' is [[1, 1, 1]
# [1, 1, 1]]
#求和
tf.reduce_sum(x) ==> 6
#按列求和
tf.reduce_sum(x, 0) ==> [2, 2, 2]
#按行求和
tf.reduce_sum(x, 1) ==> [3, 3]
#按照行的维度求和
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
#行列求和
tf.reduce_sum(x, [0, 1]) ==> 6
3
tf.argmax(vector, 1)：返回的是vector中的最大值的索引号，如果vector是一个向量，那就返回一个值，如果是一个矩阵，那就返回一个向量，这个向量的每一个维度都是相对应矩阵行的最大值元素的索引号。
import tensorflow as tf
import numpy as np
A = [[1,3,4,5,6]]
B = [[1,3,4], [2,4,1]]
with tf.Session() as sess:
print(sess.run(tf.argmax(A, 1)))
print(sess.run(tf.argmax(B, 1)))
输出：
[4]
[2 1]
4
tf.Variable(initializer， name)
功能：保存和更新神经网络中的参数。
参数：(1)initializer:初始化参数(2)name:变量名
例子:
import tensorflow as tf
#1.tensorflow随机数生成函数
#变量a是一个随机生成的满足正态分布[0,1]的，数据规模为2*2矩阵的数据。其中mean表示为期望（均值），stddev表示为方差。
a= tf.Variable(tf.random_normal(shape=[2,2], mean=0, stddev=1), name='a')
#变量b是...，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机。
b=tf.Variable(tf.truncated_normal(shape=[2,2], mean=0, stddev=1),name='b')
#变量c是一个随机生成的数据规模为2*2矩阵的数据，其中矩阵中的元素大小满足（-2，2）
c=tf.Variable(tf.random_uniform(shape=[2,2],minval=-2,maxval=2,dtype=tf.float32,name='c'))
#2.tensorflow常数生成函数
e=tf.Variable(tf.zeros([1,2],tf.int32,name='e'))
f=tf.Variable(tf.ones([3,4],tf.int32,name='f'))
g=tf.Variable(tf.fill([5,6],1,name='g'))
h=tf.Variable(tf.constant([1,2,3],name='h'))
with tf.Session() as sess:
sess.run(tf. global_variables_initializer())
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))
print(sess.run(e))
print(sess.run(f))
print(sess.run(g))
print(sess.run(h))
结果：
[[-0.38980678 0.30893806]
[-0.98391175 1.02173746]]
[[-0.07013009 -1.07275367]
[ 0.43275923 -1.85455608]]
[[-0.0278039 0.88930941]
[ 0.15009832 1.51027441]]
[[0 0]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1 1 1]
[1 1 1 1 1 1]
[1 1 1 1 1 1]
[1 1 1 1 1 1]
[1 1 1 1 1 1]]
[1 2 3]
5
tf.nn，tf.layers， tf.contrib模块有很多功能是重复的
下面是对三个模块的简述：
tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。
tf.layers：主要提供的高层的神经网络，主要和卷积相关的，tf.nn会更底层一些。
tf.contrib：tf.contrib.layers提供够将计算图中的 网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变
6
https://blog.csdn.net/jiaoyangwm/article/details/79247434
激活函数
7
tf.nn.relu(features, name = None)
这个函数的作用是计算激活函数 relu，即 max(features, 0)。即将矩阵中每行的非最大值置0。
import tensorflow as tf
a = tf.constant([-1.0, 2.0])
with tf.Session() as sess:
b = tf.nn.relu(a)
print sess.run(b)
以上程序输出的结果是：[0. 2.]
8
https://www.cnblogs.com/qggg/p/6832342.html
卷积介绍
tf.nn.conv2d
tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name参数用以指定该操作的name，与方法有关的一共五个参数：
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]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维
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（后面会介绍）
第五个参数：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
9
https://www.cnblogs.com/qggg/p/6832705.html
tf.nn.max_pool 介绍
max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似
有些地方可以从卷积去参考【TensorFlow】tf.nn.conv2d是怎样实现卷积的？
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：
第一个参数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
第二个参数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
第三个参数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]
第四个参数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