节点 指的是神经网络中的神经元 tf.Variable() 作用是保存和更新神经网络中的参数 Tensorflow 常数 生成函数
函数名称功能样例tf.zeros()产生全0的数组tf.zeros([2,3],int32) -> [ [0,0,0],[0,0,0] ] 2行3列矩阵tf.ones()产生全1的数组tf.ones([2,3],int32) -> [ [1,1,1],[1,1,1] ]tf.fill()产生全部为给定数字的数组tf.fill([2,3],9) -> [ [9,9,9],[9,9,9] ]tf.constant()产生一个给定值的常量tf.constant([1,2,3]) -> [1,2,3]Tensorflow 随机数 生成函数
函数随机数分布主要参数tf.random_normal()正态分布平均值mean, 标准差stddev,取值类型tf.random_uniform()均匀分布最小,最大取值,取值类型tf.random_gamma()Gamma分布形状参数alpha,尺度参数beta,取值类型tf.truncated_normal()正态分布,但如果随机出来的值偏离平均值超过2个标准差,那么这个数将会被重新随机平均值mean, 标准差stddev,取值类型tf.matmul() 矩阵运算 batch 反向传播算法实现迭代过程. 在每次迭代的开始,首先需要选取一小部分训练数据,这一小部分数据叫做一个batch
placeholder TensorFlow 提供了 placeholder 机制用于提供输入数据. placeholder相当于定义了一个位置,这个位置中的数据在程序运行时再指定. 这样在程序运行中就不需要生成大量常量来提供输入数据,而只需要将数据通过placeholder传入TensorFlow计算图 在placeholder定义时, 这个位置上的数据类型是需要指定的.和其他张量一样, placeholder的类型也是不可以改变的. placeholder中数据的维度信息可以根据提供的数据推导得出,所以不一定要给出
Tensorflow常用的三种反向传播优化方法 tf.train.AdamOptimizer() tf.train.GradientDescentOptimizer() tf.train.MomentumOptimizer()
