TensorFlow学习笔记1
需积分: 0 63 浏览量
2022-08-08
18:01:54
上传
评论
收藏 20KB DOCX 举报
1. tf.concat()
2. tf.gather()类似于数组的索引，可以把向量中某些索引值提取出来，得到新的
向量，适用于提取不连续的内容，如果用于提取二维数组，表示提取索引对
应的行向量。
3. tf.gather_nd()允许在多维上进行索引。如果方括号中有一个数，表示提取整
行，如果方括号中有两个数，表示对应的元素。若对应 tensor 为三维，则分
别对应第几个矩阵，该矩阵中的第几行，该矩阵中的第几列。
4. tf.greater()和 tf.greater_equal()逐元素进行判断
5. tf.cast()转换数据类型
6. tf.expand_dims()和 tf.squeeze()增加、压缩张量的维度：一维数组转二维矩阵，
二维矩阵转一维数组。
7. 如果在创建 Session 时没有指定 Graph，则该 Session 会加载默认 Graph，如
果在一个进程中创建了多个 Graph，则需要创建不同的 Session 来加载每个
Graph， 而每个 Graph 则可以加载在多个 Session 中计算。
8. 调用 Operation.run()或则 Tensor.eval()方法： 这两个方法都接收参数 session，
用于指定在哪个 session 中计算。但该参数是可选的，默认为 None，此时表
示在进程默认 session 中计算。
9. 如 何 设 置 一 个 Session 为 默 认 的 Session ： 在 with 语 句 中 调 用
Session.as_default()方法
10. 如果我们需要定义多个 Graph，则需要在 with 语句中调用 Graph.as_default()
方法将某个 graph 设置成默认 Graph，于是 with 语句块中调用的 Operation
或 Tensor 将会添加到该 Graph 中。
11. Operation 对象的创建是通过直接调用 Python operation 方法（例如 tf.matmul()）
或者 Graph.create_op()。
12. 当一个 Graph 加载到一个 Session 中，则可以调用 Session.run(op)来执行 op，
或者调用 op.run()来执行（op.run()是 tf.get_default_session().run()的缩写）。
13. Tensor 表示的是 Operation 的输出结果。不过，Tensor 只是一个符号句柄，
其并没有保存 Operation 输出结果的值。通过调用 Session.run(tensor)或者
tensor.eval()方可获取该 Tensor 的值。
14. 当 Session 加载 Graph 的时候，Graph 里面的计算节点都不会被触发执行。当
运行 sess.run(output)的时候，会沿着指定的 Tensor output 来进图路径往回触
发相对应的节点进行计算。所以在计算 Graph 时，并不一定是 Graph 中的所
有节点都被计算了，而是指定的计算节点或者该节点的输出结果被需要时。
15. 当我们基于 checkpoint 文件(ckpt)加载参数时，实际上我们使用 Saver.restore
取代了 initializer 的初始化，checkpoint 文件会记录保存信息，通过它可以定
位最新保存的模型：.meta 文件保存了当前图结构。.index 文件保存了当前参
数名。.data 文件保存了当前参数值。
16. tf.sign(x, name=None)
17. name_scope 和 variable_scope
18. name_scope:为了更好地管理变量的命名空间而提出的。
19. variable_scope:跟 tf.get_variable()配合使用，实现变量共享的功能
20. tf.name_scope() 并不会对 tf.get_variable() 创建的变量有任何影响。
21. tf.name_scope() 主要是用来管理命名空间的，这样子让我们的整个模型更加
有 条 理 。 而 tf.variable_scope() 的 作 用 是 为 了 实 现 变 量 共 享 ， 它 和
评论0