Tensorflow 方法记录

1.tf.convert_to_tensor:传入的list必须是一个有固定长度的list，如果为2维的list，第二维的list的长度必须是固定。

2.tf.layers.conv1d(),默认宽卷积，里面的参数filter_size，为卷积核的height，而卷积核的width为输入的width

传入的是一个[batch_size,width,height],输出的是一个[batch_size,height,filter_num]

3.tf.layers.conv2d(),里面的参数filter_size为一个tuple,为卷积核的大小

传入的是一个[batch_size,width,height,channel_num]，输入的是一个[batch_size,after_conv_width,afer_conv_height,filter_num]

4.tf.stack():拼接矩阵，可以指定维数，如果指定维数的话，那么拼接的就是指定维数的数据，如果不指定维数，那么就是拼接全部。

5.tf.unstack():拆解一个矩阵，可以指定维度。

tensorflow tf.split 和 tf.unstack 实例

import tensorflow as tf

A = [[1, 2, 3], [4, 5, 6]]
a0 = tf.split(A, num_or_size_splits=3, axis=1)
a1 = tf.unstack(A, num=3,axis=1)
a2 = tf.split(A, num_or_size_splits=2, axis=0)
a3 = tf.unstack(A, num=2,axis=0)
with tf.Session() as sess:
    print(sess.run(a0))
    print(sess.run(a1))
    print(sess.run(a2))
    print(sess.run(a3))

[array([[1],[4]]), array([[2],[5]]), array([[3],[6]])] 
[array([1, 4]), array([2, 5]), array([3, 6])] 
[array([[1, 2, 3]]), array([[4, 5, 6]])] 
[array([1, 2, 3]), array([4, 5, 6])]

tf.squeeze()

去掉维数为1的维度。 
举个栗子：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t))  # [2, 3]

也可以指定去掉哪个维度：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t, [2, 4]))  # [1, 2, 3, 1]

6.tf.assign()

https://www.jianshu.com/p/fc5f0f971b14

7.当出现变量已经存在时，要添加tf.name_scope()

8.tf.multiply() 点乘， 区别于tf.matul

　　a.如果是一个矩阵乘以一个数，矩阵里面每一个数都乘以这个数。

　　b.可以一个数乘以一个数

9.tf.contrib.rnn.static_bidirectional_rnn：组合正序和逆序，输入: [sequence_length, batch_size, hidden_size]，输出: [sequence, batch_size, 2 * output_size], forward_state: [batch_size, 2 * output_size], backward_size: [batch_size， 2 * output_size]

encoder_outputs, forward_state, backward_state = rnn.static_bidirectional_rnn(forward_cell,
                                                        backward_cell, input_content_emb, dtype=tf.float32,
                                                        sequence_length=self.config.sequence_length)

10.tf.greater():

　　tf.greater 的输入是两个张量，此函数会比较这两个输入张量中每一个元素的大小，并返回比较结果。当tf.greater 的输入张量维度不一样时， Ten sorFlow 会进行类似NumPy 广播操作（ broadcasting ）的处理。

11.tf.where()

　　tf.where函数有三个参数。第一个为选择条件根据， 当选择条件为True 时， tf.where 函数会选择第二个参数中的值， 否则使用第三个参数中的值。

12.tf.train.exponential decay()

　　

　　1.learning_rate:初始化的学习率

　　2.global_step:当前的步数

　　3.decay_steps:多少步衰减一次。

　　4.decay_rate: 衰减率

　　5.staricase:是否为阶梯衰减，设计为True的话， decay_steps=len(dataset)/len(batch)

13.tf.contrib.layers.l2_regularizer(weight_decay)(weight)/tf.contrib.layers.l1_regularizer(weight_decay)(weight)

　　正则化，下图为实例：

14. tf.variable_scope() tf.get variable()

15. tf.abs() 求绝对值

16. tf.tile()

tf.tile(
    input,     #输入
    multiples,  #某一维度上复制的次数
    name=None
)

import tensorflow as tf
a = tf.tile([1,2,3],[2])
b = tf.tile([[1,2],
             [3,4],
             [5,6]],[2,3])
with tf.Session() as sess:
    print(sess.run(a))
    print(sess.run(b))

17. tf.einsum()

# Matrix multiplication
>>> einsum('ij,jk->ik', m0, m1)  # output[i,k] = sum_j m0[i,j] * m1[j, k]

# Dot product
>>> einsum('i,i->', u, v)  # output = sum_i u[i]*v[i]

# Outer product
>>> einsum('i,j->ij', u, v)  # output[i,j] = u[i]*v[j]

# Transpose
>>> einsum('ij->ji', m)  # output[j,i] = m[i,j]

# Batch matrix multiplication
>>> einsum('aij,ajk->aik', s, t)  # out[a,i,k] = sum_j s[a,i,j] * t[a, j, k]