如何在TensorFlow中定义新的op

本使用使用 TensorFlow. 图中的节点被称之为 op (operation 的缩写), 这四个维度分别是 [batch. 一个 op 获得 0 个或多个 Tensor. 通过 变量 (Variable) 维护状态. 在被称之为 会话 (Session) 的上下文 (context) 中执行图, 你可以将一小组图像集表示为一个四维浮点数数组, 使用图来表示计算任务. 例如. 使用 feed 和 fetch 可以为任意的 *** 作(arbitrary operation) 赋值或者从其中获取数据. 使用 tensor 表示数据. 每个 Tensor 是一个类型化的多维数组, 产生 0 个或多个 Tensor, 执行计算. 综述 TensorFlow 是一个编程系统, height, 你必须明白 TensorFlow, channels]: 使用图 (graph) 来表示计算任务, width

Graph指定op

tf.constant()

tf.Variable() 创建变量维护图的状态，必须增加一个 初始化 op 到图中

init_op = tf.initialize_all_variables()。启动图session.run时传入init_op

tf.placeholder() 创建op占位符，在session.run时传入feed_dict

tf.data.Dataset

函数列表

batch

concat

concatenate

tf.nn

tf.nn.softmax_cross_entropy_with_logits_v2(labels=None,logits=None)

, 此处传入的logits不能是经过softmax输出的scaled值，而应该是值域范围在正无穷负无穷之间的对数几率

tf.nn.sparse_softmax_cross_entropy_with_logits的label使用one-hot表示

tf.nn.l2loss

L2 norm of a tensor without the sqrt

tf.truncated_normal和tf.random_normal

截断正太分布生成（μ-2σ，μ+2σ）之间的值；random_normal生成正太分布的随机值

tf.nn.conv2d(

input,

filter=None,

strides=None,

padding=None,

use_cudnn_on_gpu=True,

data_format='NHWC',

dilations=[1, 1, 1, 1],

name=None,

filters=None

)

filter维度[kernel_height, kernel_width, in_channel, out_channel]

out_height/width = (n+2p-f)/s+1，对于filter每一个out_channel都有一个对应的偏置量

strides纬度[1, stride, stride, 1]

padding: value不pooling，same填充行数为f - n % s

tf.nn.max_pool(

value,

ksize,

strides,

padding,

data_format='NHWC',

name=None,

input=None

)

tf.nn.dropout(

x,

keep_prob=None,

noise_shape=None,

seed=None,

name=None,

rate=None

)

rate = 1 - keep_prob

每个元素x有rate的概率输出0，否则scale(scales up the input by 1 / (1-rate). The scaling is such that the expected sum is unchanged.)；测试时keep_prob等于1

keras.model

compile和fit中的sample_weight参数

class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）。该参数在处理非平衡的训练数据（某些类的训练样本数很少）时，可以使得损失函数对样本数不足的数据更加关注。

sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。

class_weight---主要针对的上数据不均衡问题，比如：异常检测的二项分类问题，异常数据仅占1%，正常数据占99%此时就要设置不同类对loss的影响。

sample_weigh---主要解决的是样本质量不同的问题，比如前1000个样本的可信度，那么它的权重就要高，后1000个样本可能有错、不可信，那么权重就要调低。

tf.boolean_mask(a,b) 将使a (m维)矩阵仅保留与b中“True”元素同下标的部分。使用tf.boolean_mask用来过滤概率值比较低的锚盒，

降维求和

tf.reduce_sum(x) ==>6

tf.reduce_sum(x, 0) ==>[2, 2, 2]

tf.reduce_sum(x, 1) ==>[3, 3]

tf.reduce_sum(x, 1, keep_dims=True) ==>[[3], [3]]

tf.reduce_sum(x, [0, 1]) ==>6

---