numpy.random.normal(loc=0.0,scale=1.0,size=none)
高斯分布函式
loc:該概率分布的均值,對應著整個分布的中心(center)
scale:該概率分布的標準差(對應於分布的寬度,scale越大越矮胖,scale越小,越瘦高
size:輸出的shape,預設為none,只輸出乙個值
tf.random_uniform(shape.minval=0,maxval=none,dtype=tf.float32,seed=node,name=none)
從均勻分布中輸出隨機值,生成的值在[minval,maxval]範圍內均勻分布。
shape:一維整數張量或python陣列,輸出張量的形狀
minval:範圍的下限,預設為0
maxval:範圍的上線,預設為1
dtype:輸出型別:float16,float32,float64,int32,orint64
seed:乙個python整數,為分布建立乙個隨機種子
name:操作的名稱
tf.square:計算方差
tf.reduce_mean:求平均值
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=none,name=none)
用於從服從正太分布的數值中取出指定個數的值。
shape:輸出張量的形狀
mean:正態分佈的均值
stddev:正態分佈的標準差
dtype:輸出的型別
seed:隨機數種子
name:操作的名稱
tf.argmax(input,axis=none,name=none,dimension=none) 對輸入的矩陣按照行或列計算最大值
input:輸入的矩陣
axis:0表示列,1表示行
返回值:行或列的最大值下標向量
tf.cast(x,dtype,name=none)
將x的資料格式轉化成dtype資料型別,如原來x的資料格式是bool,轉化成float後,就能將其轉化成0,1序列。
tf.reset_default_graph()函式:
用於清除預設影象堆疊並重置全域性預設圖形,預設圖形是當前執行緒的乙個屬性。該函式只適用於當前執行緒。當乙個td.session或者tf.interactivesession啟用時呼叫這個函式會導致未定義的行為。呼叫此函式後使用任何以前建立的tf.operation或tf.tendor物件將導致未定義的行為。
tf.mm.conv2d(input.filter,strides,padding,use_cunn_on_gpu=none,name=none)函式:
實現卷積的函式,搭建卷積神經網路的核心方法
input:輸入的影象
filter:相當於cnn中的卷積核
strides:卷積時在影象的每一維的步長,[1,strides,strides,1].
padding:設定卷積方式
use_cudnn_on_gpu:bool型別,是否使用cudnn加速器,預設為true
返回值:feature map,shape為[batch,h,w,channels]
tf.nn.max_pool(value,ksize,strides,padding,name=none)函式:
cnn中最大池化操作
value:池化的輸入,通常為feater map,
ksize:池化視窗大小,一般為[1,h,w,1]
strides:視窗在影象上的每一維的步長,[1,strides,strides,1]
padding:設定池化方式
tf.reshape(tensor,shape,name=none)函式:
將tensor變化為shape的形式,shape為乙個列表形式。
tf.nn.dropout(x,keep_prob)函式:
防止過擬合,會隨機扔掉一部分神經元。
TensorFlow常見函式
tensorflow隨機數生成函式 函式名稱 隨機數分布 主要引數 tf.random normal 正態分佈 平均值 標準差 取值型別 tf.truncated normal 正態分佈,但如果隨機出來的值偏離平均值超過2個標準差,那麼這個數將會被重新隨機 平均值 標準差 取值型別 tf.rando...
tensorflow常用函式
1.variable 主要在於一些可訓練變數 trainable variables 比如模型的權重 weights 或者偏執值 bias 1 宣告時,必須提供初始值 2 在真實訓練時,其值是會改變的,自然事先需要指定初始值 weights tf.variable tf.random normal ...
tensorflow 函式最終
1 tf.contrib.learn.preprocessing.vocabularyprocessor 說明 最終的結果為分詞後的句子的索引表示形式,例如 原句為 我是中國人 分詞後為 我 是 中國人 則最終結果為 0,1,2 表示 我 在詞表中的位置為0 tf.contrib.learn.pre...