最近在tensorflow环境下用CNN来实现mnist，里面设计了一些tensorflow的函数，在之后的学习中肯定会经常使用，因此记录整理下来。
函数如下，现将函数名列在此，后面进行详细分析：
tf.truncated_naomal()
tf.Variable()
tf.reshape()
tf.matmul()
tf.muitiply()
tf.reduce_sum()
tf.reduce_mean()
具体分析：
tf.truncated_normal(shape, mean, stddev)
shape表示生成张量的维度
mean是均值
stddev是标准差
这个函数产生正态分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正态分布的值如果与均值的差值大于两倍的标准差，那就重新生成，和一 般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差
tf.Variable(initializer,name)
参数initializer是初始化参数
name是可自定义的变量名称
例如 v2=tf.Variable(tf.constant(2),name='v2')
tf.reshape(tensor, shape, name=None)
第1个参数为被调整维度的张量
第2个参数为要调整为的形状，注意shape里最多有一个维度的值可以填写为-1，表示自动计算此维度
x = tf.placeholder("float", shape=[None, 784]) x_image = tf.reshape(x, [-1, 28, 28, 1])
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)
将矩阵a乘于矩阵b-------矩阵相乘
transpose_a: 如果为真, a则在进行乘法计算前进行转置。
transpose_b: 如果为真, b则在进行乘法计算前进行转置。
adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。
adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。
a_is_sparse: 如果为真, a会被处理为稀疏矩阵。
b_is_sparse: 如果为真, b会被处理为稀疏矩阵。
name: 操作的名字（可选参数）
注意：1 输入必须是矩阵（或者是张量秩 >２的张量，表示成批的矩阵），并且其在转置之后有相匹配的矩阵尺寸
2 两个矩阵必须都是同样的类型，支持的类型如下：float16, float32, float64, int32, complex64, complex128
tf.multiply(x, y, name=None)
x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。
y: 一个类型跟张量x相同的张量。
1 multiply这个函数实现的是元素级别的相乘，也就是两个相乘的数元素各自相乘，而不是矩阵乘法
2 两个相乘的数必须有相同的数据类型，不然就会报错
tf.reduce_sum(tensor, axis = None, keep_dims = False, name = None)
此函数用于降纬相加，
tensor-输入的张量
axis-要求和的 rank，如果为 none，则表示所有 rank 都要求和
keep_dims-如果为真，则求和之后不降纬
心得：如果输入张量的维度为n，则axis的取值为0 - （n-1）
例如：用下面代码进行测试
import tensorflow as tf import numpy as np #生成形状为2*2*3的三维数据 x = np.asarray([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]) x_p = tf.placeholder(tf.int32,[2,2,3]) #修改下面的值 #axis=0 对第一纬进行相加，降纬 #axis=1 对第二纬进行相加，降纬 #axis=2 对第三纬进行相加，降纬 #axis=[0,1,2] 对第所有纬进行相加，降纬 #axis=None 效果同上，降纬 #axis=0 keep_dims = True 对第一纬进行相加，不降纬 y = tf.reduce_sum(x_p,0) with tf.Session() as sess: y = sess.run(y,feed_dict={x_p:x}) print y
输出结果依次是：
tf.reduce_mean（tensor, axis = None, keep_dims = False, name = None）
此函数与tf.reduce_sum()类似
axis-要求平均的 rank，如果为 none，则表示所有 rank 都要求平均
keep_dims-如果为真，则求和之后不降纬
心得：如果输入张量的维度为n，则axis的取值为0 - （n-1）
例如：用下面代码进行测试
import tensorflow as tf import numpy as np #生成形状为2*2*3的三维数据 x = np.asarray([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]) x_p = tf.placeholder(tf.int32,[2,2,3]) #修改下面的值 #axis=0 对第一纬进行求平均，降纬 #axis=1 对第二纬进行求平均，降纬 #axis=2 对第三纬进行求平均，降纬 #axis=[0,1,2] 对第所有纬进行求平均，降纬 #axis=None 效果同上，降纬 #axis=0 keep_dims = True 对第一纬进行求平均，不降纬
y = tf.reduce_mean(x_p,0) #修改此处的参数 with tf.Session() as sess: y = sess.run(y,feed_dict={x_p:x}) print y
输出结果为：
