運行機制：張量tensor+計算圖graphs
1.tensor張量表示數(shù)據(jù)：常量，變量
2.op:operation:四則運算等
本質(zhì)：tf=tensor+計算圖

tensor 數(shù)據(jù)

graphs 數(shù)據(jù)操作

session是執(zhí)行的核心，交互過程

運算時需要插入的數(shù)據(jù)
3.變量

x=tf.Variable()
# 變量賦值
state=tf.Variable(0)
new_value=tf.add(state,1)
update=tf.assign(state,new_value)
# 變量初始化
init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(sess.run(update))

4.fetch

sess.run([x1,x2])

5.feed

sess.run(output,feed={input1:x1,input2:x2})

6.梯度下降法

# 定義損失函數(shù)
loss=tf.reduce_mean(tf.square(y_data_y))
# 定義優(yōu)化器-->梯度優(yōu)化
optimizer=tf.train.GradientDescentOptimizer(0.2)
# 通過優(yōu)化器最小化損失函數(shù)
train=optimizer.minimize(loss)
# 循環(huán)train
with tf.Session() as sess:
    for step in range(2000):
        sess.run(train)

7. tf.random.normal()
   tf.random_normal()函數(shù)用于從“服從指定正態(tài)分布的序列”中隨機取出指定個數(shù)的值。

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

shape: 輸出張量的形狀，必選
mean: 正態(tài)分布的均值，默認為0
stddev: 正態(tài)分布的標準差，默認為1.0
dtype: 輸出的類型，默認為tf.float32
seed: 隨機數(shù)種子，是一個整數(shù)，當設置之后，每次生成的隨機數(shù)都一樣
name: 操作的名稱

8. tf.arg_max()
   tf.argmax(input,axis)根據(jù)axis取值的不同返回每行或者每列最大值的索引。
   axis=0 返回每列
   axis=1 返回每行

9. tf.cast()
   tf.cast()函數(shù)的作用是執(zhí)行 tensorflow 中張量數(shù)據(jù)類型轉(zhuǎn)換，比如讀入的圖片如果是int8類型的，一般在要在訓練前把圖像的數(shù)據(jù)格式轉(zhuǎn)換為float32。

cast定義：

cast(x, dtype, name=None)
第一個參數(shù) x: 待轉(zhuǎn)換的數(shù)據(jù)（張量）
第二個參數(shù) dtype： 目標數(shù)據(jù)類型
第三個參數(shù) name： 可選參數(shù)，定義操作的名稱

10. tf.truncated_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
    功能說明：產(chǎn)生截斷正態(tài)分布隨機數(shù)，取值范圍【mean-2stddev,mean+2stddev】
    參數(shù)列表：
    2020-03-30 18-36-49屏幕截圖.png