一、where函数
where（x，y，z） where语句可以用于判定x的真假，若为真返回a，若为假返回b 若x为一个张量，将返回多个元素的张量，如：
代码：
a = tf.constant([1, 2, 3, 1, 1])
b = tf.constant([0, 1, 3, 4, 5])
c = tf.where(tf.greater(a, b), a, b) # 若a>b，返回a对应位置的元素，否则返回b对应位置的元素
print("c：", c)结果：
二、 RandonState函数
RandonState函数可以返回0-1之间的随机数，并可以指定维度和种子seed，如：
代码：
rdm = np.random.RandomState(seed=1)
a = rdm.rand()
b = rdm.rand(2, 3)
print("a:", a)
print("b:", b)
结果：
三、vstack函数
vstack函数可以将多个数组叠加，形成多维数组
代码：
# vstack函数可以将多个数组叠加，形成多维数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.vstack((a, b))
print("c:\n", c)结果：
四、mgrid()函数、raval函数、c_函数
# mgrid()函数的参数可以是任意多个由（起始点：终止点：间隔）组成的数列，并返回等差数列 # 但是返回多个数列的维度相同,维度为= 第一个参数数列元素个数*第二个参数数列元素个数*第三个参数数列元素个数..... # 如以下例子中，返回的两个矩阵的维度为2*4 # 执行后会生成等间隔数值点，x的一行的数字是相同的，y的一列的数字是相同的 # raval将x, y拉直，并合并配对为二维张量，生成二维坐标点 # c_函数将元素对应组合输出
代码：
# mgrid()函数的参数可以是任意多个由（起始点：终止点：间隔）组成的数列，并返回等差数列
# 但是返回多个数列的维度相同,维度为 ： 第一个参数数列元素个数*第二个参数数列元素个数*第三个参数数列元素个数.....
# 如以下例子中，返回的两个矩阵的维度为2*4
# 生成等间隔数值点，x的行是相同的，y的列是相同的
x, y = np.mgrid[1:3:1, 2:4:0.5]
# raval将x, y拉直，并合并配对为二维张量，生成二维坐标点
# c_函数将元素对应组合输出
grid = np.c_[x.ravel(), y.ravel()]
print("x:\n", x)
print("y:\n", y)
print("x.ravel():\n", x.ravel())
print("y.ravel():\n", y.ravel())
print('grid:\n', grid)
结果：
附：
# 由于迭代到后期寻找最优值的参数变化范围应该较小，如果学习率是静态的话会造成颠簸问题
# 故采用指数下降的学习率比较合适
w = tf.Variable(tf.constant(5, dtype=tf.float32))
epoch = 40
LR_BASE = 0.2 # 最初学习率
LR_DECAY = 0.99 # 学习率衰减率
LR_STEP = 1 # 喂入多少轮BATCH_SIZE后，更新一次学习率
for epoch in range(epoch): # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环100次迭代。
lr = LR_BASE * LR_DECAY ** (epoch / LR_STEP)
with tf.GradientTape() as tape: # with结构到grads框起了梯度的计算过程。
loss = tf.square(w + 1)
grads = tape.gradient(loss, w) # .gradient函数告知谁对谁求导
w.assign_sub(lr * grads) # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
print("After %s epoch,w is %f,loss is %f,lr is %f" % (epoch, w.numpy(), loss, lr))