TensorFlow函数说明

1.saver.save()

为模型添加保存模型/检查点。

（1）参数说明

sess: 会话对象
model_path: 模型保存的路径
global_step=epoch: 可选，在文件名中加上迭代次数，以区分保存的文件是经过多少次的训练迭代。
write_meta_graph: 可选，False: 只保存一次.meta文件；True：根据我们设置的保存次 数，保存多次.meta文件。这里对这个参数加一点说明：因为模型一旦建立好之后，计算图的结构就确定了，所以每次保存的.meta文件都是一样的，有时为了节省存储空间，我们选择只保存一次.meta文件。

 

（2）使用举例

#创建saver
saver = tf.train.Saver(max_to_keep=1)  # max_to_keep，保存模型/检查点文件的个数，默认为5

#在保存时使用了如下代码，传入了迭代次数。
saver.save(sess, savedir+"linermodel.cpkt", global_step=epoch)

#TensorFlow 会将迭代次数一起放在检查点的名字上，所以在载入时，同样也要指定迭代次数。
saver.restore(sess2, savedir+"linermodel.cpkt-" + str(load_epoch))

 

2.tf.random_normal()

产生shape型的矩阵，数值取在[-1,1]之间的随机数，默认满足标准正态N(0,1)。

（1）参数说明

 

shape:产生矩阵的型

（2）使用举例

tf.random_normal([3, 2]) # 形状为[3,2]，在[-1,1]之间的随机数，默认满足标准正态N(0,1)。


W = tf.Variable(tf.random_normal([1]), name="weight") # 形状为[1]，1x1矩阵就是一个数

 参考：https://blog.csdn.net/dcrmg/article/details/79028043/

 

 3.tf.reduce_mean(arg1,arg2)

arg1是矩阵数据；
当arg2 = 0时，纵向压缩矩阵求mean；
当arg2 = 1时，横向压缩矩阵求mean；
当省略arg2时，默认对矩阵所有元素进行求mean，得到一个数。

cost = tf.reduce_mean(tf.square(Y - z)) # 对所有元素求mean，平均值

 

 

5.

 

 

 

 

 

参考：

 

https://blog.csdn.net/Liven_Zhu/article/details/80595308