手写体识别中用到的Tensorflow函数复习

tf.truncated_normal(shape, stddev=0.1)

从截断的正态分布中输出随机值。
生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

参数:
shape: 一维的张量，也是输出的张量。
mean: 正态分布的均值。
stddev: 正态分布的标准差。
dtype: 输出的类型。
seed: 一个整数，当设置之后，每次生成的随机数都一样。
name: 操作的名字。

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

从正态分布中输出随机值。

参数:
shape: 一维的张量，也是输出的张量。
mean: 正态分布的均值。
stddev: 正态分布的标准差。
dtype: 输出的类型。
seed: 一个整数，当设置之后，每次生成的随机数都一样。
name: 操作的名字。

tf.constant(0.1, shape=shape)

constant是TensorFlow的常量节点，通过constant方法创建，其是计算图（Computational Graph）中的起始节点，是传入数据。

参数：
value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或......）
dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）
shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更高，超过部分按value提供最后一个数字填充，

tf.nn.relu(features, name=None)

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.并且返回和feature一样的形状的tensor。

参数：
features: tensor类型，必须是这些类型：A Tensor. float32, float64, int32, int64, uint8, int16, int8, uint16, half.
name: ：操作名称（可选）

tf.nn.conv2d(x, W_conv1, strides=[1, 1, 1, 1], padding='SAME')

卷积函数,

参数：
输入(input): [batch, in_height, in_width, in_channels]
过滤器/卷积核(filter / kernel)：[filter_height, filter_width, in_channels, out_channels]

步长(Strides): [1, stride, stride, 1]
描述：过滤器移动的步长，第一位和第四位一般恒定为1，第二位指水平移动时候的步长，第三位指垂直移动的步长。strides = [1, stride, stride, 1].

padding: A string from: "SAME", "VALID"
描述：Valid: 用过滤器在输入的矩阵中按步长移动时候，会把最后的不足部分的列和行抛弃；Same：先在输入矩阵上下各加个值为0的行，在左右各加个个值为0的列，也就是用0把原先的矩阵包裹一层，然后在移动的时候如果输入矩阵的列或者行长度不够，就用0来补齐。具体可以看另一篇文章：Padding：SAME和VALID详释

返回：
Tensor，即Feature Map，格式为shape [batch, height, width, channels]

https://www.cnblogs.com/qggg/p/6832342.html

tf.nn.max_pool(value, ksize, strides, padding, name=None)

最大值池化

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
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
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]
padding：和卷积类似，可以取'VALID' 或者'SAME'

返回：
Tensor， shape为[batch, height, width, channels]

https://www.2cto.com/kf/201612/572952.html

tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)

根据给出的keep_prob参数，将输入tensor x按比例输出。

参数：
x :输入tensor
keep_prob : float类型，每个元素被保留下来的概率
noise_shape : 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。
seed : 整形变量，随机数种子。
name : 名字，没啥用。

https://www.cnblogs.com/qggg/p/6849881.html

tf.argmax(vector, 1)

返回最大的那个数值所在的下标

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。

https://blog.csdn.net/uestc_c2_403/article/details/72232807

github