1、tf.nn.relu(features, name = None)
这个函数的作用是计算激活函数 relu，即 max(features, 0)。将大于0的保持不变，小于0的数置为0。
import tensorflow as tf
a = tf.constant([-1.0, 2.0])
with tf.Session() as sess:
b = tf.nn.relu(a)
print sess.run(b)
# 以上程序输出的结果是：[0. ,2.]
2、tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None,name=None)
在 TensorFlow 中添加一个卷积层，参数说明如下：
- input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape ，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一。
- filter：张量必须具有与输入相同的类型。相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维。
- strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4。
- padding：可选字符串为 SAME、VALID。要使用的填充算法的类型。SAME允许卷积核移动到图像边缘，VALID不允许
- use_cudnn_on_gpu：是否使用cudnn加速，默认为 True。
- data_format：可选字符串为 NHWC、NCHW，默认为 NHWC。指定输入和输出数据的数据格式。使用默认格式 NHWC，数据按照以下顺序存储：[batch，in_height，in_width，in_channels]。或者，格式可以是 NCHW，数据存储顺序为：[batch，in_channels，in_height，in_width]。
- name：操作的名称（可选）。
3、tf.nn.max_pool(value, ksize, strides, padding, name=None)
最大池化，参数说明如下：
- value：形状为 [batch，height，width，channels] 和类型是 tf.float32 的四维张量。
- ksize：长度 >=4 的整数列表。输入张量的每个维度的窗口大小，一般是[1, height, width, 1]
- strides：长度 >=4 的整数列表。输入张量的每个维度的滑动窗口的步幅，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
- padding：一个字符串，可以是 VALID 或 SAME。
- data_format：一个字符串，支持 NHWC 和 NCHW。
- name：操作的可选名称。
4、tf.argmax(input, axis=None, name=None, dimension=None)
此函数是对矩阵按行或列计算最大值，参数如下：
input：输入Tensoraxis：0表示按列，1表示按行name：名称dimension：和axis功能一样，默认axis取值优先。新加的字段返回：Tensor 行或列的最大值下标向量
5、tf.equal(a, b)
此函数比较等维度的a, b矩阵相应位置的元素是否相等，相等返回True,否则为False返回：同维度的矩阵，元素值为True或False6、
tf.cast(x, dtype, name=None)将x的数据格式转化成dtype.例如，原来x的数据格式是bool，那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以7、
tf.reduce_max(input_tensor, reduction_indices=None,keep_dims=False, name=None)功能：求某维度的最大值8、tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
功能：求某维度的均值参数1--input_tensor:待求值的tensor。参数2--reduction_indices:在哪一维上求解。0表示按列，1表示按行参数（3）（4）可忽略例：x = tf.constant([[1,2],[3,4]], "float")tf.reduce_mean(x) = 2.5tf.reduce_mean(x, 0) = [2, 3]tf.reduce_mean(x, 1) = [1.5, 3.5]9、
tf.truncated_normal(shape, mean=0.0, stddev=1.0,dtype=tf.float32, seed=None, name=None)
从截断的正态分布中输出随机值shape: 输出的张量的维度尺寸。mean: 正态分布的均值。stddev: 正态分布的标准差。dtype: 输出的类型。seed: 一个整数，当设置之后，每次生成的随机数都一样。name: 操作的名字。
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
从标准正态分布中输出随机值11、
tf.reshape(tensor, shape, name=None)函数的作用是将tensor变换为参数shape的形式。其中shape为一个列表形式，特殊的一点是列表中可以存在-1。-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。（当然如果存在多个-1，就是一个存在多解的方程了）12、
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None)
为了减少过拟合，随机扔掉一些神经元，这些神经元不参与权重的更新和运算参数：x: 输入tensorkeep_prob:float类型，每个元素被保留下来的概率noise_shape: 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。seed: 整形变量，随机数种子。name: 名字，没啥用。
