1. tf.Session() 與 tf.InteractiveSession()

用tf.Seesino()構建會話，要定義好所有的operation之後，才能構建會話

用tf.InteractiveSession()構建會話，可以先構建一個會話再定義operation，適用於互動式環境。

2. tf.ConfigProto()

建立session時，對session進行引數設定

with tf.Session(config=tf.ConfigProto(...),...)

#tf.ConfigProto()的引數
log_device_placement=True #是否列印裝置分配日誌
allow_soft_placement=True #如果你指定的裝置不存在，允許TF自動分配裝置
tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)
 

3. tf.get_variable() 與 tf.variable_scope()

tf.get_variable() 用於建立或獲取變數

（1）用於建立變數時，與tf.Variable()功能基本相同

v=tf.get_variable("v",shape=[1],initializer.constant(1.0))
v=tf.Variable(tf.constant(1.0,shape=[1]),name="v")

• 相同點：建立變數的過程基本類似，呼叫tf.Variable()時所用的維度以及初始化的引數與tf.get_variable()基本類似
• 不同點：指定變數名稱的引數不同，對於tf.Variable()變數名稱是一個可選的引數，通過name="v"的形式給出;而tf.get_variable()中變數名是必須要有的引數，函式根據變數名建立或者獲取引數。

（2）用於獲取變數時

先通過tf.variable_scope()生成一個上下文管理器，並指明需求的變數在這個上下文管理器中

然後直接用tf.get_variable()獲取已經生成的變數

#通過tf.variable_scope()控制tf.get_variable(),以獲取或建立變數

#名為“zx”的上下文控制器
with tf.variable_scope("zx"):
    v=tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))#在“zx”中定義名為“v”的變數

with tf.variable_scope("zx"):
    v=tf.get_variable("v",[1])#通過tf.get_variable()在“zx”中建立“v”變數，失敗，因為在“zx”中已經有一個了
 

如果上下文管理器中已經有了想要的變數，想要通過tf.get_variable()獲取它，可通過設定引數reuse的值為True來獲取：

with tf.variable_scope("zx",reuse=True):
    v1=tf.get_variable("v",[1])

print v==v1#輸出為True

(3)其他

1.  tf.variable_scope()只能用於獲取已經建立了的變數
2. 若tf.variable_scope()引數reuse=False或reuse=None建立上下文管理器，則tf.get_variable()可用於建立新變數，但不可建立已有變數（即同名變數）

4. tf.contrib.layers.xavier_initializer()

返回一個用於初始化權重的初始化程式“Xavier”，用來保持每一層梯度大小基本相同

xavier_initializer(
    uniform=True,
    seed=None,
    dtype=tf.float32
)

引數：

• uniform：使用uniform或者normal分佈進行隨機初始化
• seed：用來生成隨機數的種子
• dtype：只支援浮點數

返回值：

• 初始化的權重矩陣

5. tf.placeholder()

通式：tf.placeholder(dtype,shape=None,name=None)

可將這個函式中的值當作形參，在具體用到的時候再給它們賦值

引數：

• dtype:：資料型別，通常是dtype=tf.float32,tf.float64浮點型別
• shape：資料形狀，也就是資料維度，預設為None
• name：名稱

x=tf.placeholder(tf.float32,shape=(1024,1024))
y=tf.matmul(x,x)#矩陣相乘

with tf.Session() as sess:
    print(sess.run(y))#ERROR,因為此時x沒有具體賦值

    rand_array=np.random.rand(1024,1024)
    print(sess.run(y,feed_dict={x:rand_array}))#輸出成功

返回：tensor型別

 6. tf.train.AdamOptimizer()

實現了Adam演算法的優化器

7. tf.nn.xw_plus_b()

tf.nn.xw_plus_b((x,weights)+biases)相當於tf.matmul(x,weights)+biases

import tensorflow as tf

x=[[1, 2, 3],[4, 5, 6]]  
w=[[ 7,  8],[ 9, 10],[11, 12]]  
b=[[3,3],[3,3]]

res1=tf.nn.xw_plus_b(x,w,[3,3])
res2=tf.matmul(x,w)+b
init_op=tf.initializer_all_variables()

with tf.Session() as sess:
    #執行初始化操作
    sess.run(init_op)
    print(sess.run(res1))
    print(sess.run(res2))


輸出：
[[ 61  67]
 [142 157]]
[[ 61  67]
 [142 157]]

8. feed_dict

給使用placeholder創建出來的tensor賦值。

未完待續