tf.nn

一、函数列表

主要用来搭建神经网络。

all_candidate_sampler(): 生成所有类的集合。

atrous_conv2d(): 无源卷积(又称孔卷积或膨胀卷积)。

atrous_conv2d_transpose(): atrous_conv2d的转置。

avg_pool(): 对输入执行平均池操作。

avg_pool1d(): 对输入执行平均池操作。

avg_pool2d(): 对输入执行平均池操作。

avg_pool3d(): 对输入执行平均池操作。

avg_pool_v2(): 对输入执行平均池操作。

batch_norm_with_global_normalization(): 批归一化

batch_normalization(): 批归一化

bias_add(): 给值加上偏置

bidirectional_dynamic_rnn(): 创建一个双向递归神经网络的动态版本。(deprecated)

collapse_repeated():将重复的标签合并到单个标签中。

compute_accidental_hits(): 计算与true_classes匹配的sampled_candidate中的位置id。

conv1d(): 计算给定三维输入和滤波张量的一维卷积。(弃用参数值)(弃用参数值)

conv1d_transpose(): conv1d的转置。

conv2d(): 计算给定4-D输入和滤波张量的二维卷积。

conv2d_backprop_filter(): 计算卷积相对于滤波器的梯度。

conv2d_backprop_input(): 计算卷积相对于输入的梯度。

conv2d_transpose(): conv2d的转置。

conv3d(): 计算给定5-D输入和滤波张量的三维卷积。

conv3d_backprop_filter(): 计算三维卷积相对于滤波器的梯度。

conv3d_backprop_filter_v2(): 计算三维卷积相对于滤波器的梯度。

conv3d_transpose(): conv3d的转置。

conv_transpose(): 卷积的转置。

convolution():计算N-D卷积的和(实际上是互相关的)。

crelu(): 计算连接ReLU。

ctc_beam_search_decoder(): 对输入的日志执行波束搜索解码。

ctc_beam_search_decoder_v2(): 对输入的日志执行波束搜索解码。

ctc_greedy_decoder(): 对输入(最佳路径)中给定的日志执行贪婪解码。

ctc_loss(): 计算CTC(连接主义时间分类)损失。

ctc_loss_v2(): 计算CTC(连接主义时间分类)损失。

ctc_unique_labels(): 获取用于tf.n .ctc_loss的成批标签的惟一标签和索引。

depth_to_space(): T型张量的测深。

depthwise_conv2d(): 切除二维卷积。

depthwise_conv2d_backprop_filter(): 计算深度卷积相对于滤波器的梯度。

depthwise_conv2d_backprop_input(): 计算深度卷积相对于输入的梯度。

depthwise_conv2d_native(): 计算一个二维深度卷积给定4-D输入和滤波器张量。

depthwise_conv2d_native_backprop_filter(): 计算深度卷积相对于滤波器的梯度。

depthwise_conv2d_native_backprop_input(): 计算深度卷积相对于输入的梯度。

dilation2d(): 计算了4-D输入和3-D滤波张量的灰度膨胀。

dropout(): 计算dropout. (deprecated arguments)

dynamic_rnn(): 创建由RNNCell cell指定的递归神经网络。 (deprecated)

elu(): 计算指数线性:exp(特征)- 1如果< 0， features otherwise.

embedding_lookup(): 在嵌入张量列表中查找id。

embedding_lookup_sparse(): 计算给定id和权重的嵌入。

erosion2d(): 计算了4-D值和3-D核张量的灰度侵蚀。

fixed_unigram_candidate_sampler(): 使用提供的(固定的)基本分布对一组类进行示例。

fractional_avg_pool(): 对输入执行分数平均池化。 (deprecated)

fractional_max_pool(): 对输入执行分数最大池化。 (deprecated)

fused_batch_norm(): Batch normalization.

in_top_k(): 表示目标是否在前K个预测中。

l2_loss(): L2 Loss.

l2_normalize(): 使用L2范数沿着维度轴进行标准化。(deprecated arguments)

leaky_relu(): 计算泄漏的ReLU激活函数。

learned_unigram_candidate_sampler(): 从训练期间学到的分布中抽取一组类作为样本。

local_response_normalization(): Local Response Normalization.

log_poisson_loss(): 计算给定log_input的log泊松损失。

log_softmax(): 计算日志softmax激活。(deprecated arguments)

log_uniform_candidate_sampler(): 使用log_uniform (Zipfian)基分布对一组类进行示例。

lrn(): Local Response Normalization.

max_pool():对输入执行最大池化。

max_pool1d(): 对输入执行最大池化。

max_pool2d(): 对输入执行最大池化。

max_pool3d():对输入执行最大池化。

max_pool_v2(): 对输入执行最大池化。

max_pool_with_argmax(): 对输入和输出最大值和索引执行最大池化。

moments(.): 计算x的均值和方差。

nce_loss(): 计算并返回噪声对比估计训练损失。

normalize_moments():在充分统计的基础上，计算的均值和方差。

pool(): 执行N-D池操作。

quantized_avg_pool(): 生成量子化类型的输入张量的平均池。

quantized_conv2d(): 计算二维卷积给定量化的四维输入和滤波器张量。

quantized_max_pool(): 生成量子化类型的输入张量的最大池。

quantized_relu_x():计算量子化整流线性X: min(max(features, 0)， max_value)

raw_rnn():创建由RNNCell单元格和loop函数loop_fn指定的RNN。

relu(): 计算校正线性：(features, 0).

relu6(): 计算修正后的线性6: min(max(features, 0), 6).

relu_layer(): 计算Relu(x * weight + biases).

safe_embedding_lookup_sparse(): 查找嵌入结果，解释无效id和空特性。

sampled_softmax_loss(): 计算并返回采样的softmax训练损失。

selu():计算比例指数线性:scale * alpha * (exp(features) - 1)

separable_conv2d(): 二维卷积与可分离滤波器。

sigmoid(): 计算x元素的sigmoid。

sigmoid_cross_entropy_with_logits(): 计算给定对数的s形交叉熵。

softmax(): 计算softmax激活。(deprecated arguments)

softmax_cross_entropy_with_logits(): 计算logits和标签之间的softmax交叉熵。 (deprecated)

softmax_cross_entropy_with_logits_v2(): 计算logits和标签之间的softmax交叉熵。(deprecated arguments)

softplus(): 计算softplus: log(exp(features) + 1).

softsign(): 计算softsign: features / (abs(features) + 1).

space_to_batch(): 适用于T型4-D张量。

space_to_depth(): T型张量的空间-深度。

sparse_softmax_cross_entropy_with_logits(): 计算对数和标签之间的稀疏软最大交叉熵。

static_bidirectional_rnn(): 建立一个双向递归神经网络。(deprecated)

static_rnn(): 创建由RNNCell cell指定的递归神经网络。 (deprecated)

static_state_saving_rnn(): RNN，它接受一个状态保护程序，用于时间截断的RNN计算。(deprecated)

sufficient_statistics(): 计算x的均值和方差的充分统计量。

tanh(): 计算x元素的双曲正切。

top_k(): 查找最后一个维度的k个最大项的值和索引。

uniform_candidate_sampler(): 使用统一的基分布对一组类进行采样。

weighted_cross_entropy_with_logits(): 计算加权交叉熵。(deprecated arguments)

weighted_moments(): 返回x的频率加权平均值和方差。

with_space_to_batch(): 对输入的空间到批处理表示形式执行op。

xw_plus_b(): 计算matmul(x，权值)+偏差。

zero_fraction():返回值中0的分数。

二、重要的API

1、tf.nn.sparse_softmax_cross_entropy_with_logits

计算对数和标签之间的稀疏softmax交叉熵。

tf.nn.sparse_softmax_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

测量离散分类任务中的概率误差，其中的类是互斥的(每个条目恰好在一个类中)。例如，每个CIFAR-10图像都有且只有一个标签:一个图像可以是一条狗或一辆卡车，但不能同时是两条。

注意:对于这个操作，给定标签的概率被认为是排他的。也就是说，不允许使用软类，标签向量必须为每一行logits(每一个minibatch条目)的真正类提供一个特定的索引。对于每个条目都具有概率分布的softsoftmax分类，请参见softmax_cross_entropy_with_logits_v2。

警告:此op期望未缩放的日志，因为为了提高效率，它在内部对日志执行softmax。不要用softmax的输出调用这个op，因为它会产生不正确的结果。

一个常见的用例是有shape [batch_size, num_classes]的日志和shape [batch_size]的标签，但是支持更高的维度，在这种情况下，dim-th维度的大小假定为num_classes。logits必须具有float16、float32或float64的dtype，标签必须具有int32或int64的dtype。

注意，为了避免混淆，只需要将命名参数传递给这个函数。

参数：

• _sentinel:用于防止位置参数。内部，请勿使用。
• labels:形状张量[d_0, d_1，…]， d_{r-1}](其中r为标签和结果的秩)和dtype int32或int64。标签中的每个条目必须是[0,num_classes]中的索引。当这个op在CPU上运行时，其他值将引发异常，并在GPU上返回相应的丢失和梯度行NaN。
• logits:每个标签激活(通常是线性输出)的形状[d_0, d_1，…， d_{r-1}， num_classes]和dtype float16、float32或float64。这些活化能被解释为非标准化的对数概率。
• name:操作的名称(可选)。

返回值：

• 一个与标签形状相同，与logits类型相同的张量，具有softmax交叉熵。

可能产生的异常：

• ValueError: If logits are scalars (need to have rank >= 1) or if the rank of the labels is not equal to the rank of the logits minus one.

转载地址：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/nn