tf.reduce_mean() || tf.contrib.rnn.BasicRnnCell || tf.contrib.rnn.BasicLSTMCell || tf.reshape()

tf.reduce_mean()

(或tf.reduce_max()一個是求平均值，一個是求最大值)

# 'x' is [[1., 2.]
#         [3., 4.]]

x是一個2維數組，分別調用reduce_*函數如下：

首先求平均值：

tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2.,  3.] #指定第二個參數為0，則第一維的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5,  3.5] #指定第二個參數為1，則第二維的元素取平均值，即每一行求平均值

同理，還可用tf.reduce_max()求最大值等

 

tf.contrib.rnn.BasicRnnCell

BasicRNNCell是最基本的RNN cell單元。 
輸入參數：
num_units：RNN層神經元的個數 
input_size（該參數已被棄用） 
activation: 內部狀態之間的激活函數 
reuse: Python布爾值, 描述是否重用現有作用域中的變量

 

 

tf.contrib.rnn.BasicLSTMCell

BasicLSTMCell類是最基本的LSTM循環神經網絡單元。 
輸入參數：
num_units: LSTM cell層中的單元數 
forget_bias: forget gates中的偏置 
state_is_tuple: 還是設置為True吧, 返回 (c_state , m_state)的二元組 
activation: 狀態之間轉移的激活函數 
reuse: Python布爾值, 描述是否重用現有作用域中的變量

 

 

tf.reshape()

reshape即把矩陣的形狀變一下
看一下例子：

tensor = tf.constant([1, 2, 3, 4, 5, 6, 7,8])

 sess.run(tf.initialize_all_variables())
#[1 2 3 4 5 6 7 8]

tensorReshape = tf.reshape(tensor,[2,4])
#[[1 2 3 4]
#[5 6 7 8]]

tensorReshape = tf.reshape(tensor,[1,2,4])
#[[[1 2 3 4]
#[5 6 7 8]]]

tensorReshape = tf.reshape(tensor,[-1,2,2])
#[[[1 2]
#[3 4]]

#[[5 6]
#[7 8]]]
#所以-1代表的含義是不用我們自己指定這一維的大小，函數會自動計算，但列表中只能存在一個-1
#比如：