tensorflow中很多函數是對神經網絡中用到的一些功能的封裝，通過查看這些函數參數的設置，以及返回值可以瞭解這些函數的使用方法，對神經網絡的過程也能更加清楚，寫代碼的時候也能更好的使用這些函數和模型的參數調節。
tf.nn.softmax_cross_entropy_with_logits(logits,labels,name=None)函數，用來計算交叉熵損失。
參數logits:神經網絡最後一層的輸出
參數labels:實際的標籤，真實值
函數先將logits歸一化，然後和真實值做交叉熵，-y'i*log(yi)。其中y'i是真實值中的第i個分量，yi是logits歸一化之後第i個分量。預測值越準確，結果越小。
函數返回值是一個向量，求和(tf.reduce_sum)之後是交叉熵，求均值(tf.reduce_mean)後是loss
該函數的使用參考博文點擊打開鏈接
------------------------------------------------------------------------------------------------------
tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)函數，用在卷積神經網絡中進行卷積操作。
參數input: 4維張量(batch,in_height,in_width,in_channels) 用於輸入圖片的batch大小，高，寬，以及輸入通道（對於圖像而言有可能是rgb三個顏色通道）。
參數filter: 4維張量(heigh,width,in_channels,out_channels) 用於確定卷積核的高，寬，輸入通道（與input中的輸入通道參數一致），輸出通道。
參數strides:長度爲4的列表，代表步長。
參數padding:string類型（SAME,VALID）用於填充
結果：返回一個張量和input類型相同，通常作爲池化的輸入。
tf.nn.max_pool(value,ksize,strides,padding,data_format='NHWC',name=None)函數，用來進行池化操作。
參數value:4維張量(batch,heigh,width,channels) 和conv2d中input類似。
參數ksize:長度大於等於4，每個維度的窗格大小。
參數strides:與conv2d類似。
參數padding:同上。
結果：返回池化的輸出張量。
---------------------------------------------------------------------------
tf.pack(values,name='pack')函數對張量進行打包。將秩爲r的tensor打包成秩爲r+1的tensor。
用法：
x = tf.constant([1,2,3])
y = tf.constant([2,4,6])
z = tf.constant([7,8,9])
p = tf.pack([x,y,z])
sess = tf.Session()
print sess.run(tf.shape(p))
print sess.run(p)
print sess.run(tf.unpack(p,3))結果：
[3 3]
[[1 2 3]
[2 4 6]
[7 8 9]]
[array([1, 2, 3], dtype=int32), array([2, 4, 6], dtype=int32), array([7, 8, 9], dtype=int32)]
---------------------------------------------------------------------------
tf.sign()
x<0,-1
x=0,0
x>0,1
---------------------------------------------------------------------------
tf.cast(x,dtype)
dtype=tf.int32時用於取整
---------------------------------------------------------------------------
後續遇到一些重要函數會繼續更新，有錯誤希望指出。另外看了一個tensorflow的多層感知機，手寫數字識別
#兩個隱藏層的神經網絡
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("./MNIST_data/",one_hot=True)
#設置參數
learning_rate = 0.001
training_epochs = 30
batch_size = 100
n_hidden_1 = 300
n_hidden_2 = 300
n_input = 784
n_classes = 10
x = tf.placeholder("float",[None,n_input])
y = tf.placeholder("float",[None,n_classes])
weights = {
'h1':tf.Variable(tf.random_normal([n_input,n_hidden_1])),
'h2':tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2])),
'out':tf.Variable(tf.random_normal([n_hidden_2,n_classes]))
}
biases = {
'b1':tf.Variable(tf.random_normal([n_hidden_1])),
'b2':tf.Variable(tf.random_normal([n_hidden_2])),
'out':tf.Variable(tf.random_normal([n_classes]))
}
def multilayer_perceptron(x,weights,biases):
layer_1 = tf.add(tf.matmul(x,weights['h1']),biases['b1'])
layer_1 = tf.nn.relu(layer_1)
layer_2 = tf.add(tf.matmul(layer_1,weights['h2']),biases['b2'])
layer_2 = tf.nn.relu(layer_2)
out_layer = tf.matmul(layer_2,weights['out']) + biases['out']#tf.matmul矩陣相乘
return out_layer
pred = multilayer_perceptron(x,weights,biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))#交叉熵損失函數
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)#
init = tf.initialize_all_variables()
with tf.Session()as sess:
sess.run(init)
for epoch in range(training_epochs):#整個數據訓練15遍
avg_cost = 0
total_batch = int(mnist.train.num_examples/batch_size)#分批訓練
for i in range(total_batch):
batch_x,batch_y = mnist.train.next_batch(batch_size)
_,c = sess.run([optimizer,cost],feed_dict={x:batch_x,y:batch_y})
avg_cost += c #
print "Epoch:", '%04d' % (epoch+1), "cost=","{:.9f}".format(avg_cost)
print "finished!"
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print accuracy.eval({x: mnist.test.images, y: mnist.test.labels})
print sess.run(accuracy,feed_dict={x: mnist.test.images, y: mnist.test.labels})#這裏sess.run()的功能和eval類似training_epochs n_hidden_1 n_hidden_2 accuracy
15 300 300 0.9459
20 300 300 0.9527
20 500 500 0.9562
25 300 300 0.9552
30 300 300 0.9564
