tf.sqeeze:

给定张量输入,此操作返回相同类型的张量,并删除所有尺寸为1的尺寸。 如果不想删除所有尺寸1尺寸,可以通过指定squeeze_dims来删除特定尺寸1尺寸。如果不想删除所有大小是1的维度,可以通过squeeze_dims指定。

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]

shape(squeeze(t)) ==> [2, 3]

Or, to remove specific size 1 dimensions

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]

shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

 

 

 tf.gather_nd(params, indices, name=None) {#gather_nd} 用indices从张量params得到新张量

cast(x, dtype, name=None) 将x的数据格式转化成dtype

tuple中要求不能被改变,且(),list是[]

tf.round函数用于将TensorFlow张量的值四舍五入为最接近的整数

tf.stop_gradient() :阻挡节点BP的梯度

tf.image.crop_and_resize(image, boxes, box_ind, crop_size, method=None, extrapolation_value=None, name=None)     The result is a 4-D tensor [num_boxes, crop_height, crop_width, depth

 

return super(self.__class__, self).call(inputs, training=False)
https://www.cnblogs.com/wjx1/p/5084980.html

从运行结果上看,普通继承和super继承是一样的。但是其实它们的内部运行机制不一样,这一点在多重继承时体现得很明显。在super机制里可以保证公共父类仅被执行一次,至于执行的顺序,是按照mro进行的(E.__mro__)。

 

tf.gather类似embedding lookup ,从tensor中返回指定index对应的

 

isinstance函数可以对参数类型进行判断:

 对参数类型做检查,只允许整数和浮点数类型的参数。数据类型检查可以用内置函数isinstance实现:

def my_abs(x):
    if not isinstance(x, (int, float)):
        raise TypeError('bad operand type')
    if x >= 0:
        return x
    else:
        return -x

 

zip()是Python的一个内建函数,它接受一系列可迭代的对象作为参数,将对象中对应的元素打包成一个个tuple(元组),第0个元组对应于所有参数的第0个元素,第1个元组对应于所有参数的第1个元素,依此类推,然后返回由这些tuples组成的list(列表)。若传入参数的长度不等,则返回list的长度和参数中长度最短的对象相同。
zip([1,2,3,4],[5,6,7,8])会返回[(1, 5), (2, 6), (3, 7), (4, 8)]

tf.round  向上取整

# TF doesn't have an equivalent to np.repeate() so simulate it
# using tf.tile() and tf.reshape.
b1 = tf.reshape(tf.tile(tf.expand_dims(boxes1, 1),
[1, 1, tf.shape(boxes2)[0]]), [-1, 4])
https://blog.csdn.net/jasonzzj/article/details/60811035 -expanddims
https://blog.csdn.net/loseinvain/article/details/78994615 --tile张量扩张


control_dependencies(control_inputs)返回一个控制依赖的上下文管理器,使用with关键字可以让在这个上下文环境中的操作都在control_inputs 执行。

with g.control_dependencies([a, b, c]):

# `d` and `e` will only run after `a`, `b`, and `c` have executed.

  d = ...
  e = ...


tf.control_dependencies和tf.identity同时使用:
https://blog.csdn.net/winycg/article/details/78820032

tf.reduce_sum:
https://blog.csdn.net/lxg0807/article/details/74625861

tf.booleen_mask:
https://www.cnblogs.com/lyc-seu/p/7956231.html


array([1, 2, 3, 1, 2, 3, 1, 2, 3])
>>idx = np.where(a > 2)
>>idx
(array([2, 5, 8], dtype=int32),)


n p.any:
矩阵a和矩阵b中对应元素是否有一个相等,我们需要使用any..

x1, x2 = horizontal_indicies[[0, -1]]
y1, y2 = vertical_indicies[[0, -1]]
# x2 and y2 should not be part of the box. Increment by 1.