TensorFlow常用的函数

TensorFlow中维护的集合列表
在一个计算图中，可以通过集合(collection)来管理不同类别的资源。比如通过 tf.add_to_collection 函数可以将资源加入一个 或多个集合中，然后通过 tf.get_collection 获取一个集合里面的所有资源(如张量，变量，或者运行TensorFlow程序所需的队列资源等等)

1. TensorFlow中的所有变量都会被自动加入tf.GraphKeys.VARIABLES集合中，通过 tf.global_variables()函数可以拿到当前计算图上的所有变量。拿到计算图上的所有变量有助于持久化整个计算图的运行状态。
2. 当构建机器学习模型时，比如神经网络，可以通过变量声明函数中的trainable参数来区分需要优化的参数(比如神经网络的参数)和其他参数(比如迭代的轮数，即超参数)，若trainable = True，则此变量会被加入tf.GraphKeys.TRAINABLE_VARIABLES集合。然后通过 tf.trainable_variables函数便可得到所有需要优化的参数。TensorFlow中提供的优化算法会将tf.GraphKeys.TRAINABLE_VARIABLES集合中的变量作为 默认的优化对象。

• 变量的类型是不可以改变的。
• 变量的维度一般是不能改变的，除非设置参数validate_shape = False(很少去改变它)

TensorFlow中的tf.Variable函数随机数和常数的生成：

TensorFlow 中的tf.get_variable变量初始化函数

1. tf.clip_by_value函数将张量限定在一定的范围内：

sess = tf.InteractiveSession()

v = tf.constant([[1., 2., 3.], [4., 5., 6.]])
tf.clip_by_value(v, 2.5, 4.5).eval()  # 小于2.5的数值设为2.5，大于4.5的数值设为4.5

array([[ 2.5,  2.5,  3. ],
       [ 4. ,  4.5,  4.5]], dtype=float32)

1. tf.log 对张量所有元素进行对数运算

tf.log(v).eval()

array([[ 0.        ,  0.69314718,  1.09861231],
       [ 1.38629436,  1.60943794,  1.79175949]], dtype=float32)

1. tf.greater的输入是两个张量，此函数会比较这两个张量中的每一个元素，并返回比较结果；
   当输入维度不一致时会进行广播(broadcasting)

v1 = tf.constant([1., 2., 3., 4.])
v2 = tf.constant([4., 3., 2., 1.])
f = tf.greater(v1, v2)
f.eval()

Out[11]:
array([False, False,  True,  True], dtype=bool)

1. tf.where 函数有三个参数：
   第一个选择条件根据，当选择条件为True时，会选择第二个参数中的值，否则使用第三个参数中的值：

tf.where(f, v1, v2).eval()

array([ 4.,  3.,  3.,  4.], dtype=float32)