前言
在使用tensorflow編寫LSTM代碼的時候Tensorflow使用LSTM實現中文文本分類（二），使用到很多新的函數，在此將用到的新函數整理一下做一個筆記。
重要方法
tf.random_uniform_initializer()
功能：生成具有均勻分佈的張量的初始化器
參數：
- minval：一個 python 標量或一個標量張量.要生成的隨機值範圍的下限
- maxval：一個 python 標量或一個標量張量.要生成的隨機值範圍的上限.對於浮點類型默認爲1
- seed：一個 Python 整數.用於創建隨機種子.查看 tf.set_random_seed 的行爲
- dtype：數據類型
tf.variable_scope()
參考博客：tf.variable_scope 參數
參數：返回一個用於定義創建variable層的op的上下文管理器
參數（不常用的沒有寫）：
- name_or_scope：string或VariableScope：要打開的範圍。
- default_name：如果name_or_scope參數爲None，則將使用默認名稱，此名稱將被唯一。 如果提供了name_or_scope，它將不會被使用，因此它不是必需的，可以是None。
值：傳遞給op函數的Tensor參數列表。 - initializer：此範圍內的變量的默認初始化程序。
- dtype：在此範圍中創建的變量類型（默認爲傳遞範圍中的類型，或從父範圍繼承）
tf.nn.embedding_lookup()
參考博客：tf.nn.embedding_lookup函數的用法
功能：選取一個張量裏面按照索引對應的元素。
參數：
- params 可以是tensor，也可以是數組
- ids 傳入 對應的 索引
tf.contrib.rnn.BasicLSTMCell()
參考博客：記錄tf.contrib.rnn.BasicLSTMCell
功能：創建一個LSTM層
參數：
- num_uints：神經元數量
- forget_bias：遺忘的偏置0-1,0全忘記，1全記得
- state_is_tuple：是否返回元組，最好是true，返回元組。
- activation：激活函數，默認tanh
tf.contrib.rnn.MultiRNNCell()
參考博客：tf.nn.embedding_lookup函數的用法
功能：對RNN進行堆疊。即：將每個單層LSTM穿聯在一起形成一個多層LSTM。經過轉化過的層，可以當做單層LSTM來操作，很方便。
參數：
- cells：run cell 的 list
- state_is_tuple：同上，非必須、
tf.contrib.rnn.MultiRNNCell.zero_state(batch_size, tf.float32)
功能：通過該函數獲得一個全零的初始狀態。
參數：
- batch_size：batch大小
- dtype：數據類型
tf.nn.dynamic_rnn()
博客參考：tf.nn.dynamic_rnn返回值詳解
功能：使用該函數相當於調用了n次call函數，即通過{h0, x1, x2, x3…xn}直接得到{h1, h2, h3, h4, … hn}
參數：
- cell：通過tf.contrib.rnn.MultiRNNCell()堆疊的多層RNN，或者 單層的lstmcell也可以。
- inputs：需要 傳入的 訓練數據
- initial_state：初始狀態（一般可以是零矩陣）
需要特別強調一下該函數的返回：
- outputs：time_step步裏所有的輸出，他到shape爲（batch_size, time_steps, cell.output_size）
- state：最後一步的隱狀態，形態爲（batch_size, cell,state_size）
tf.clip_by_global_norm()
博客參考：tf.clip_by_norm 梯度裁剪
功能：梯度裁剪的最直接目的就是防止梯度爆炸，手段就是控制梯度的最大範式。
參數：
- t_list：梯度列表
- clip_norm：裁剪率
返回值： - list_clipped：裁剪後的梯度列表
- global_norm：全局的規約數
tf.gradients()
博客參考：Tensorflow：tf.gradient()用法以及參數stop_gradient理解
功能：進行梯度計算
參數：
- ys：類似於目標函數，即需要被微分的函數
- xs：被微分的對象/變量，需要求導的參數
返回：
- 該函數返回 xs 中每個 x 的 sum(dy/dx) 的列表.
tf.train.AdamOptimizer( learning_rate ).apply_gradients()
博客參考：tensorflow API:梯度修剪apply_gradients和compute_gradients
功能：把梯度“應用”到變量上去。這是minimize()函數的第二個步驟，返回一個應用的操作。
參數：
- grads_and_vars：compute_gradients()函數返回的（gradient, variable）對兒的列表。
- global_step：可選變量，在變量跟新後會自增一。