python在应用中用到的一些函数

tf.InteractiveSession() 新建一个会话，并设置成默认会话

tf.random_uniform((fan_in,fan_out),
                         minval = low, maxval = high,
                         dtype = tf.float32)

生成fan_in*fan_out的，最大值为high最小值为low的，数据格式为float32的满足均匀分布的张量数据

tf.placeholder(tf.float32, [None,784]，name)

返回数据类型为float32的，none*784的，名称为name的张量，其中none表示行不定，name参数可不要

tf.variable，定义参数，例如biases = tf.Variable(tf.zeros([200]), name="biases")，可同时对矩阵tf.zeros[200]进行定义和命名

tf.nn. 包含大量神经网络组件，例如tf.nn.softmax函数，用来实现对输出值进行标准化等操作

tf.matmul 矩阵乘法函数

tf.reduce_mean 求均值

tf.reduce_sum 求和

train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)  这是一个封装好的优化器，相当于用户只用设置学习步长（学习率）以及loss function，选择好优化算法之后，优化器将会自动对网络模型进行训练，但是还需要执行他的run方法才能启动训练。

tf.global_variables_initializer().run() 其中，tf.global_variables_initializer()为全局参数初始化器，执行它的run方法即可初始化全局参数

tf.equal 返回bool值，判断两个数是否相等

tf.argmax 返回最大值的相关参数，等同于matlab里的max函数，不仅返回最大值，还可以返回最大值对应的索引（如行列等等）

def function-name(parameters):

expression

定义函数

np.random.normal(loc, scale, size)给出均值为loc，标准差为scale，大小为size的高斯随机数，其中loc默认为0，scale默认为1，这样的话给出的高斯随机数（场）也就是正态分布，size默认为none，也就是只输出一个数。

tf.truncated_normal(shape, mean=0,stddev,dtype,seed,name)从截断的正态分布中输出随机值，生成的值服从具有制定平均值和标准差的正态分布，但是如果生成的值大于平均值2个标准差则丢弃重新选择。何为截断的正态分布？在正态分布的曲线中，横轴区间（μ-σ，μ+σ）内的面积为68.268949%，横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%，横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的时间是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值空间，这称之为正态分布的3σ原则。

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，所以称之为截断的正态分布

python在应用中用到的一些函数

猜你喜欢