referrence: 莫烦视频
先介绍几个函数
1.tf.cast()
英文解释:
也就是说cast的直译，类似于映射，映射到一个你制定的类型。
2.tf.argmax 原型：
含义：返回最大值所在的坐标。（谁给翻译下最后一句？？？）
ps:谁给解释下axis最后一句话？
例子：
3.tf.reduce_mean() 原型:
含义：一句话来说就是对制定的reduction_index进行均值计算。
注意，reduction_indices为0时，是算的不同的[]的同一个位置上的均值
为1是是算的[]内的均值。
1 import numpy as np 2 import tensorflow as tf 3 tt = tf.reduce_mean([1,2,3,4]) 4 ttt = tf.reduce_mean([[1.0,2,3,4,5],[6,7,8,9,10],[1,1,1,1,1]],reduction_indices=[1]) 5 t = tf.reduce_mean([[1.0,2,3,4,5],[6,7,8,9,10],[1,1,1,1,1]],reduction_indices=[0]) 6 sess = tf.Session() 7 sess.run(tf.initialize_all_variables()) 8 9 print (sess.run(t)) 10 print (sess.run(tt))
tf.equal:
含义比较两个tensor的值，如果在一个下表下一样，那么返回的tensor在这个下表上就为true.这个函数一般可以与cast在一起去（cast到float32上）计算一些准确率
tensorflow 中 reduce_sum 理解
定义如下：
reduce_sum(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None )
reduce_sum 是 tensor 内部求和的工具。其参数中：
1. input_tensor 是要求和的 tensor
2. axis 是要求和的 rank，如果为 none，则表示所有 rank 都要仇和
3. keep_dims 求和后是否要降维
4. 这个操作的名称，可能在 graph 中 用
5. 已被淘汰的，被参数 axis 替代
示例如下：
x = tf.constant([[1, 1, 1], [1, 1, 1]]) tf.reduce_sum(x, 0) # 对 tensor 的 0 级进行求和，[1,1,1] + [1,1,1] = [2, 2, 2] tf.reduce_sum(x, 1) # 对 tensor 的 1 级进行仇和，[1+1+1, 1+1+1] = [3, 3] tf.reduce_sum(x, 1, keep_dims=True) # 对第 1 级进行求和，但不降维, [[3], [3]] tf.reduce_sum(x, [0, 1]) # 0 级和 1级都要求和，6 tf.reduce_sum(x) # 因为 x 只有 2 级，所以结果同上一个，6
