一、基本语法

• 从指定正态分布的数值中取出指定个数的值 .random_normal()

.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32,seed=None, name=None)
shape:输出张量形状，mean:正态分布的均值，stddev:正态分布的标准差，
seed:整数，设置后每次生成的随机数一样，name:操作的名称

• 声明tf变量 .Variable(initializer, name)
  initializer初始化的参数，name:名称
• 变量初始化 Session中.run(tf.global_variables_initializer())
  注：tf中变量声明后并未被赋值，需要在Session中调用初始化方法后才会被具体赋值。

eg：w = tf.Variable(tf.random_normal([2, 3]), name=’v’)
with tf.Session() as sess:
sess.run(tf.global_bariabbles_initializer())
sess.run(w) 或 sess.run(v)

CNN：

• 卷积层 .nn.con2d() 返回[batch, height, width, channels]

.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,name=None)
input:需要做卷积的输入图像[batch, height, width, channels] ，
channels= 所需卷积核层数（如下图w0的三层），
filter:卷积核[height, width, in_channels, out_channels]，
in_channels = input的channels out_channels =需要卷积核个数（如下图w1、w2），
strides:步长[1,1,1,1]，
padding:”SAME”、”VALID”，
use_cudnn_on_gpu:cudnn加速

如下图，图片[7,7,3] 权重(卷积核)[3,3,3,2]
（转自：https://blog.****.net/qq_31779317）

• 池化层 .nn.max_pool() 返回[batch, height, width, channels]

.nn.max_pool(value, ksize, strides, padding, name=None)
value:需要做池化的输入图像 kszie:池化窗口大小[1, hetight, width,1]，
不希望在batch、channels上做池化 strides:步长[1, stride, stride,1]，
padding:”SAME”、”SAME”

• 减轻过拟合 .nn.dropout()

.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None)
X:需要减轻过拟合的图像 keep_prob:保留结果的比例

• 线性运算 .nn.relu(a) 把a中<0=0 ,>0不变

eg：用于卷积.nn.relu(conv2d(x_data, W) + b)

• 矩阵相乘 .matmul(a,b) a*b

eg：用于全连接.nn.relu(tf.matmul((drop, W) + b))

• 相加运算 .add(a,b) a+b
• 平均值 .reduce_mean(a, axis)
  axis:在哪个维度上求平均值

eg: a= [[1., 2.] [3., 4.]] .reduce_mean(a) -> 2.5
.reduce_mean(a, 0) -> [2., 3.]在第一维（列）
可用于损失函数等需要求平均值

• 返回最大值的索引 .aramax(a, axis)
• 对比是否相等 .equal(a, b)
• 变量类型转换 .cast(a, int8_64/float1664)

损失函数：

• 使用softmax计算交叉熵 .nn.softmax_cross_entropy_with_logits()

.nn.softmax_cross_entropy_with_logits(labels=None,logits=None,dim=-1,name=None)
labels:分类标签的概率，加起来需等于1
logits:神经网络最后一层的输出，如有batch它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes

优化器：

使用Adam优化器 .train.AdamOptimizer(learning_rate)
learning_rate:学习率

---

未完，持续更新…

---