深度學習----Tensorflow再命名實體上常用的函數

函數	作用
tf.contrib.crf.crf_log_likelihood()	$~~~~~~~~$在一個條件隨機場裏面計算標籤序列的log-likelihood，函數的目的是使用crf來計算損失，裏面用到最大似然估計的優化方法， 參數： inputs: 一個形狀爲[batch_size, max_seq_len, num_tags] 的tensor,一般使用BILSTM處理之後輸出轉換爲他要求的形狀作爲CRF層的輸入， tag_indices: 一個形狀爲[batch_size, max_seq_len] 的矩陣,其實就是真實標籤， sequence_lengths: 一個形狀爲 [batch_size] 的向量,表示每個序列的長度， transition_params: 形狀爲[num_tags, num_tags] 的轉移矩陣 返回： log_likelihood: 標量,log-likelihood transition_params: 形狀爲[num_tags, num_tags] 的轉移矩陣
tf.placeholder()	tf.placeholder( $~~~~~~~~~~~~~~~~~~$dtype, $~~~~~~~~~~~~~~~~~~$shape=None, $~~~~~~~~~~~~~~~~~~$name=None) placeholder()函數是在神經網絡構建graph的時候在模型中的佔位，此時並沒有把要輸入的數據傳入模型，它只會分配必要的內存
tf.nn.embedding_lookup	選取一個張量裏面索引對應的元素（相當於索引）
tf.Variable	檢測到命名衝突，系統會自己處理
tf.get_variable()	系統不會處理衝突，而會報錯
tf.nn.sparse_softmax_cross_entropy_with_logits( $~~~~~~~~~~~~~~~~~~$_sentinel=None, $~~~~~~~~~~~~~~~~~~$labels=None, $~~~~~~~~~~~~~~~~~~$logits=None, $~~~~~~~~~~~~~~~~~~$nmae=None)	函數是將softmax和cross_entropy放在一起計算，對於分類問題而言，最後一般都是一個單層全連接神經網絡，比如softmax分類器居多，對這個函數而言，tensorflow神經網絡中是沒有softmax層，而是在這個函數中進行softmax函數的計算。這裏的logits通常是最後的全連接層的輸出結果，labels是具體哪一類的標籤，這個函數是直接使用標籤數據的，而不是採用one-hot編碼形式。
tf.reduce_mean	用於計算張量tensor沿着指定的數軸（tensor的某一維度）上的的平均值，主要用作降維或者計算tensor（圖像）的平均值。 reduce_mean(input_tensor, $~~~~~~~~~~~~~~~~~~$axis=None, $~~~~~~~~~~~~~~~~~~$keep_dims=False, $~~~~~~~~~~~~~~~~~~$name=None, $~~~~~~~~~~~~~~~~~~$reduction_indices=None) 第一個參數input_tensor： 輸入的待降維的tensor; 第二個參數axis： 指定的軸，如果不指定，則計算所有元素的均值; 第三個參數keep_dims：是否降維度，設置爲True，輸出的結果保持輸入tensor的形狀，設置爲False，輸出結果會降低維度; 第四個參數name： 操作的名稱; 第五個參數 reduction_indices：在以前版本中用來指定軸，已棄用
tf.global_variables_initializer()	添加節點用於初始化所有的變量(GraphKeys.VARIABLES)。返回一個初始化所有全局變量的操作（Op）。在你構建完整個模型並在會話中加載模型後，運行這個節點。
tf.local_variables_initializer()	返回一個初始化所有局部變量的操作（Op）
import argparse //導入命令行解析的庫文件 parse=zargparse.ArgumentParser( $~~~~~~~~~~~$description=“test!!” $~~~~~~~~~~~$)	https://blog.csdn.net/yuyushikuan/article/details/79729660
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’	設置log輸出信息的，也就是程序運行時系統打印的信息。
tf.contrib.crf.viterbi_decode	通俗一點,作用就是返回最好的標籤序列
tf.contrib.crf.crf_decode	在TensorFlow中解碼最高得分標記序列 https://tensorflow.google.cn/api_docs/python/tf/contrib/crf/crf_decode
tf.matmul(a, b, $~~~~~~~~~~~~~~~~~~$transpose_a=False, $~~~~~~~~~~~~~~~~~~$transpose_b=False, $~~~~~~~~~~~~~~~~~~$adjoint_a=False, $~~~~~~~~~~~~~~~~~~$adjoint_b=False, $~~~~~~~~~~~~~~~~~~$a_is_sparse=False, $~~~~~~~~~~~~~~~~~~$b_is_sparse=False, $~~~~~~~~~~~~~~~~~~$name=None)	a: 一個類型爲 float16, float32, float64, int32, complex64, complex128 且張量秩 > 1 的張量。 b: 一個類型跟張量a相同的張量。 transpose_a: 如果爲真, a則在進行乘法計算前進行轉置。 transpose_b: 如果爲真, b則在進行乘法計算前進行轉置。 adjoint_a: 如果爲真, a則在進行乘法計算前進行共軛和轉置。 adjoint_b: 如果爲真, b則在進行乘法計算前進行共軛和轉置。 a_is_sparse: 如果爲真, a會被處理爲稀疏矩陣。 b_is_sparse: 如果爲真, b會被處理爲稀疏矩陣。 name: 操作的名字（可選參數）
tf.multiply（x, y, name=None）	兩個矩陣中對應元素各自相乘
tf.variable_scope(“conv1”)	指定變量作用域
tf.nn.bidirectional_dynamic_rnn()	cell_fw, # 前向RNN cell_bw, # 後向RNN inputs, # 輸入 sequence_length=None,# 輸入序列的實際長度（可選，默認爲輸入序列的最大長度） initial_state_fw=None, # 前向的初始化狀態（可選） initial_state_bw=None, # 後向的初始化狀態（可選） dtype=None, # 初始化和輸出的數據類型（可選） parallel_iterations=None, swap_memory=False, time_major=False, # 決定了輸入輸出tensor的格式：如果爲true, 向量的形狀必須爲 [max_time, batch_size, depth]. # 如果爲false, tensor的形狀必須爲[batch_size, max_time, depth]. scope=None 返回的是元組（outputs，output_states）