tensorflow点滴笔记

1、模型保存

模型保存需要使用函数 tf.train.Saver()，

a）创建saver时，可以指定需要存储的tensor，如果没有指定，则全部保存。

b) 创建saver时，可以指定保存的模型个数，利用max_to_keep=4，则最终会保存4个模型。

c) saver.save()函数里面可以设定global_step，说明是哪一步保存的模型。

d) 程序结束后，会生成四个文件：存储网络结构.meta、存储训练好的参数.data和.index、记录最新的模型checkpoint。

示例: saver.save(sess, "model_ame, global_step=epoch)

https://blog.csdn.net/liuxiao214/article/details/79048136

2、"Can not convert a ndarray into a Tensor or Operation"报错

https://blog.csdn.net/michael__corleone/article/details/79007425

test_fc1, test_fc2, Ys = sess.run([test_fc1, test_fc2, fc3],
                                              feed_dict = {x1:xs1, x2:xs2, test_x1:test_img_raw, test_x2:test_img_raw1}) 

错误指示是run这里出了错，原因：接收的参数名和run（）里面的参数名一样了，一般 第一次不会报错，下一次运行中，test_fc1，test_fc2变量名已有了，直接跑会和你前面定义的test_fc1，test_fc2相关运算冲突。 所以将接收的变量名改了就可以了。

3、tensorflow的axis理解

https://blog.csdn.net/m0_37041325/article/details/77155517

tensorFlow里的axis概念和numpy里是一样的，指tensor的某一维。举例：

import tensorflow as tf

x=tf.constant([[.,.],[.,.]])
xShape=tf.shape(x)
z1=tf.reduce_mean(x,axis=)#沿axis=0操作
z2=tf.reduce_mean(x,axis=)#沿axis=1操作

with tf.Session() as sess:
    xShapeValue,d1,d2=sess.run([xShape,z1,z2])
    print('shape= %s'%(xShapeValue))
    print(d1)
    print(d2)

#输出:
shape= [ ]
[. .]
[1.5 3.5]

程序里定义了一个常量tensor，这个tensor的shape是[2,2]即2行2列（x00=1,x01=2,x10=5,x11=2），在程序中，当指定x在axis=0进行求平均操作时，就是指定x00,x10进行求平均，x01,x11进行求平均的操作，当指定x在axis=1进行求平均操作时，就是指定x00,x10进行求平均，x01，x11进行求平均操作。

总结起来也就是说，当指定axis进行操作时，就使tensor就沿着这个axis变化，而其他的axis不变，按照这样的规则，遍历一次tensor，把得到的元素进行相应的操作。在上面的程序中，指定axis=0，操作，则axis=1这个轴上的数就不变。

下面以几个函数的使用来更进一步说明，

//1. tf.reduce_sum(input_tensor, axis) 沿着维度sxis计算和

x= [[, , ], [, , ]]

//求和，在所有维度操作，也就相当于对所有元素求和
tf.reduce_sum(x) ==> 

//在维度0上操作，在这个例子中实际就是按列(维度1)求和
tf.reduce_sum(x, ) ==> [, , ]

//在维度1上操作，在这个例子中实际就是按行(维度0)求和
tf.reduce_sum(x, ) ==> [, ]

//2. tf.concat(values, axis)：Concatenates tensors along one dimension
t1 = [[, , ], [, , ]]  //2*3维
t2 = [[, , ], [, , ]]  //2*3维
tf.concat([t1, t2], ) == > [[, , ], [, , ], [, , ], [, , ]]
//在维度0上连接，那么第一个维度会增加，在这里就是行会增多，结果是4*3维矩阵.

x=tf.ones((,,)) //shape (3,2,2)
C=[x,x,x]
print(tf.concat(C,).shape) == > (,,)
// 再看这个例子，三维矩阵的连接，在第3个维度上，也就是维度2, 结果第三个维度会增加，也就是(3,2,6)

4、 scope 命名方法 

tf.name_scope()与tf.variable_scope()

代码示例(以卷积层为例)： https://blog.csdn.net/Jerr__y/article/details/70809528

概念： https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-12-scope/

tf.name_scope() 主要是用来管理命名空间的，这样子让我们的整个模型更加有条理。而 tf.variable_scope() 的作用是为了实现变量共享，它和 tf.get_variable() 来完成变量共享的功能。