Maths

Add, Sub, Mul, Div, Exp, Log, Greater, Less, Equal

Array

Concat, Slice, Split, Constant, Rank, Shape, Shuffle

Matrix

MatMul, MatrixInverse, MatrixDeterminant

Neuronal Network

SoftMax, Sigmoid, ReLU, Convolution2D, MaxPool

Checkpointing

Save, Restore

Queues and syncronizations

Enqueue, Dequeue, MutexAcquire, MutexRelease

Flow control

Merge, Switch, Enter, Leave, NextIteration

tf.add(x, y, name=None)

求和

tf.sub(x, y, name=None)

减法

tf.mul(x, y, name=None)

乘法

tf.div(x, y, name=None)

除法

tf.mod(x, y, name=None)

取模

tf.abs(x, name=None)

求绝对值

tf.neg(x, name=None)

取负 (y = -x).

tf.sign(x, name=None)

返回符号 y = sign(x) = -1 if x < 0; 0 if x == 0;

1 if x > 0.

tf.inv(x, name=None)

取反

tf.square(x, name=None)

计算平方 (y = x * x = x^2).

tf.round(x, name=None)

舍入最接近的整数
# ‘a’ is [0.9, 2.5, 2.3, -4.4]
tf.round(a) ==> [ 1.0, 3.0, 2.0, -4.0 ]

tf.sqrt(x, name=None)

开根号 (y = \sqrt{x}
= x^{1/2}).

tf.pow(x, y, name=None)

幂次方 
# tensor ‘x’ is [[2, 2], [3, 3]]
# tensor ‘y’ is [[8, 16], [2, 3]]
tf.pow(x, y) ==> [[256, 65536], [9, 27]]

tf.exp(x, name=None)

计算e的次方

tf.log(x, name=None)

计算log，一个输入计算e的ln，两输入以第二

输入为底

tf.maximum(x, y, name=None)

返回最大值 (x > y ? x
: y)

tf.minimum(x, y, name=None)

返回最小值 (x < y ? x
: y)

tf.cos(x, name=None)

三角函数cosine

tf.sin(x, name=None)

三角函数sine

tf.tan(x, name=None)

三角函数tan

tf.atan(x, name=None)

三角函数ctan

tf.string_to_number
(string_tensor, out_type=None, name=None)

字符串转为数字

tf.to_double(x, name=’ToDouble’)

转为64位浮点类型–float64

tf.to_float(x, name=’ToFloat’)

转为32位浮点类型–float32

tf.to_int32(x, name=’ToInt32’)

转为32位整型–int32

tf.to_int64(x, name=’ToInt64’)

转为64位整型–int64

tf.cast(x, dtype, name=None)

将x或者x.values转换为dtype
# tensor a is [1.8,
2.2], dtype=tf.float
tf.cast(a, tf.int32) ==> [1, 2] # dtype=

tf.int32

tf.equal(x, y, name=None)

判断两个tensor是否每个元素都相等。

返回一个格式为bool的tensor

A = [[1,3,4,5,6]]，B =
[[1,3,4,3,2]]

tf.equal(A, B) ==>

[[ True  True 
True False False]]

tf.shape(input, name=None)

返回数据的shape
# ‘t’ is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]
shape(t) ==> [2, 2, 3]

tf.size(input, name=None)

返回数据的元素数量
# ‘t’ is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]]
size(t) ==> 12

tf.rank(input, name=None)

返回tensor的rank
注意：此rank不同于矩阵的rank，
tensor的rank表示一个tensor需要的索引数目

来唯一表示任何一个元素
也就是通常所说的 “order”, “degree”或”

ndims”
#’t’ is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]
# shape of tensor ‘t’ is [2, 2, 3]
rank(t) ==> 3

tf.reshape(tensor, shape, name=None)

改变tensor的形状
# tensor ‘t’ is [1, 2, 3, 4, 5, 6, 7, 8, 9]
# tensor ‘t’ has shape [9]
reshape(t, [3, 3]) ==> 
[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
#如果shape有元素[-1],表示在该维度打平

至一维
# -1 将自动推导得为 9:
reshape(t, [2, -1]) ==> 
[[1, 1, 1, 2, 2, 2, 3, 3, 3],
[4, 4, 4, 5, 5, 5, 6, 6, 6]]

tf.expand_dims(input, dim, name=None)

插入维度1进入一个tensor中
#该操作要求-1-input.dims()
# ‘t’ is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]

<= dim <= input.dims()

tf.slice(input_, begin, size,
name=None)

对tensor进行切片操作
其中size[i] = input.dim_size(i) - begin[i]
该操作要求 0 <= begin[i] <= begin[i] +
size[i] <= Di

for i in [0, n]
#’input’ is 
#[[[1, 1, 1], [2, 2, 2]],[[3, 3, 3], [4, 4, 4]],[[5, 5, 5],

[6, 6, 6]]]
tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]
tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> 
[[[3, 3, 3],
[4, 4, 4]]]
tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> 
[[[3, 3, 3]],
[[5, 5, 5]]]

tf.split(split_dim, num_split, value,
name=’split’)

沿着某一维度将tensor分离为num_split
tensors
# ‘value’ is a tensor with shape [5, 30]
# Split ‘value’ into 3 tensors along dimension 1
split0, split1, split2 = tf.split(1, 3, value)
tf.shape(split0) ==> [5, 10]

tf.concat(concat_dim, values,
name=’concat’)

沿着某一维度连结tensor
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(0, [t1, t2]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9],

[10, 11, 12]]
tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10,

11, 12]]
如果想沿着tensor一新轴连结打包,那么可以：
tf.concat(axis, [tf.expand_dims(t, axis) for t in

tensors])
等同于tf.pack(tensors, axis=axis)

tf.pack(values, axis=0, name=’pack’)

将一系列rank-R的tensor打包为一个rank-(R+1)的

tensor
# ‘x’ is [1, 4], ‘y’ is [2, 5], ‘z’ is [3, 6]
pack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] 
# 沿着第一维pack
pack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]
等价于tf.pack([x, y, z]) = np.asarray([x, y,
z])

tf.reverse(tensor, dims, name=None)

沿着某维度进行序列反转
其中dim为列表，元素为bool型，size等于

rank(tensor)
# tensor ‘t’ is 
[[[[ 0, 1, 2, 3],
#[ 4, 5, 6, 7],

#[ 8, 9, 10, 11]],
#[[12, 13, 14, 15],
#[16, 17, 18, 19],
#[20, 21, 22, 23]]]]
# tensor ‘t’ shape is [1, 2, 3, 4]
# ‘dims’ is [False, False, False, True]
reverse(t, dims) ==>
[[[[ 3, 2, 1, 0],
[ 7, 6, 5, 4],
[ 11, 10, 9, 8]],
[[15, 14, 13, 12],
[19, 18, 17, 16],
[23, 22, 21, 20]]]]

tf.transpose(a, perm=None,
name=’transpose’)

调换tensor的维度顺序
按照列表perm的维度排列调换tensor顺序，
如为定义，则perm为(n-1…0)
# ‘x’ is [[1 2 3],[4 5 6]]
tf.transpose(x) ==> [[1 4], [2 5],[3 6]]
# Equivalently
tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5], [3 6]]

tf.gather(params, indices,
validate_indices=None, name=None)

合并索引indices所指示params中的切片

tf.one_hot
(indices, depth, on_value=None, off_value=None, 
axis=None, dtype=None, name=None)

indices = [0, 2, -1, 1]
depth = 3
on_value = 5.0 
off_value = 0.0 
axis = -1 
#Then output is [4 x 3]: 
output = 
[5.0 0.0 0.0] // one_hot(0) 
[0.0 0.0 5.0] // one_hot(2) 
[0.0 0.0 0.0] // one_hot(-1) 
[0.0 5.0 0.0] // one_hot(1)

tf.diag(diagonal, name=None)

返回一个给定对角值的对角tensor
# ‘diagonal’ is [1, 2, 3, 4]
tf.diag(diagonal) ==> 
[[1, 0, 0, 0]
[0, 2, 0, 0]
[0, 0, 3, 0]
[0, 0, 0, 4]]

tf.diag_part(input, name=None)

功能与上面相反

tf.trace(x, name=None)

求一个2维tensor足迹，即对角值diagonal

之和

tf.transpose(a, perm=None,
name=’transpose’)

调换tensor的维度顺序
按照列表perm的维度排列调换tensor顺序，
如为定义，则perm为(n-1…0)
# ‘x’ is [[1 2 3],[4 5 6]]
tf.transpose(x) ==> [[1 4], [2 5],[3 6]]
# Equivalently
tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5],

[3 6]]

tf.matmul(a, b,
transpose_a=False, 
transpose_b=False, a_is_sparse=False, 
b_is_sparse=False, name=None)

矩阵相乘

tf.matrix_determinant(input,
name=None)

返回方阵的行列式

tf.matrix_inverse(input, adjoint=None,
name=None)

求方阵的逆矩阵，adjoint为True时，计算输入

共轭矩阵的逆矩阵

tf.cholesky(input, name=None)

对输入方阵cholesky分解，
即把一个对称正定的矩阵表示成一个下三角矩阵

L和其转置的乘积的分解A=LL^T

tf.matrix_solve(matrix, rhs,
adjoint=None, name=None)

求解tf.matrix_solve(matrix,
rhs, adjoint=None,

name=None)
matrix为方阵shape为[M,M],rhs的shape为

[M,K]，output为[M,K]

tf.complex(real, imag, name=None)

将两实数转换为复数形式
# tensor ‘real’ is [2.25, 3.25]
# tensor imag is
[4.75, 5.75]
tf.complex(real, imag) ==> [[2.25 + 4.75j],

[3.25 + 5.75j]]

tf.complex_abs(x, name=None)

计算复数的绝对值，即长度。
# tensor ‘x’ is [[-2.25 + 4.75j], [-3.25 + 5.75j]]
tf.complex_abs(x) ==> [5.25594902, 6.60492229]

tf.conj(input, name=None)

计算共轭复数

tf.imag(input, name=None)
tf.real(input, name=None)

提取复数的虚部和实部

tf.fft(input, name=None)

计算一维的离散傅里叶变换，输入数据类型为complex64

tf.reduce_sum(input_tensor,
reduction_indices=None, 
keep_dims=False, name=None)

计算输入tensor元素的和，或者安照reduction_indices

指定的轴进行求和
# ‘x’ is [[1, 1, 1]
# [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6

tf.reduce_prod(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

计算输入tensor元素的乘积，或者安照reduction_indices

指定的轴进行求乘积

tf.reduce_min(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

求tensor中最小值

tf.reduce_max(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

求tensor中最大值

tf.reduce_mean(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

求tensor中平均值

tf.reduce_all(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

对tensor中各个元素求逻辑’与’
# ‘x’ is 
# [[True, True]
# [False, False]]
tf.reduce_all(x) ==> False
tf.reduce_all(x, 0) ==> [False, False]
tf.reduce_all(x, 1) ==> [True, False]

tf.reduce_any(input_tensor, 
reduction_indices=None, 
keep_dims=False, name=None)

对tensor中各个元素求逻辑’或’

tf.accumulate_n(inputs,
shape=None, 
tensor_dtype=None, name=None)

计算一系列tensor的和
# tensor ‘a’ is [[1, 2], [3, 4]]
# tensor b is [[5,
0], [0, 6]]
tf.accumulate_n([a, b, a]) ==> [[7, 4], [6, 14]]

tf.cumsum(x, axis=0,
exclusive=False, 
reverse=False, name=None)

求累积和
tf.cumsum([a, b, c]) ==> [a, a + b, a + b + c]
tf.cumsum([a, b, c], exclusive=True) ==> [0, a, a + b]
tf.cumsum([a, b, c], reverse=True) ==> [a + b + c, b +

c, c]
tf.cumsum([a, b, c], exclusive=True, reverse=True) ==>

[b + c, c, 0]

tf.segment_sum(data, segment_ids,
name=None)

根据segment_ids的分段计算各个片段的和
其中segment_ids为一个size与data第一维相同的

tensor
其中id为int型数据，最大id不大于size
c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]])
tf.segment_sum(c, tf.constant([0, 0, 1]))
==>[[0 0 0 0] 
[5 6 7 8]]
上面例子分为[0,1]两id,对相同id的data相应数据进行

求和,并放入结果的相应id中，且segment_ids只升不降

tf.segment_prod(data, segment_ids,
name=None)

根据segment_ids的分段计算各个片段的积

tf.segment_min(data, segment_ids,
name=None)

根据segment_ids的分段计算各个片段的最小值

tf.segment_max(data, segment_ids,
name=None)

根据segment_ids的分段计算各个片段的最大值

tf.segment_mean(data, segment_ids,
name=None)

根据segment_ids的分段计算各个片段的平均值

tf.unsorted_segment_sum(data,
segment_ids,
num_segments, name=None)

与tf.segment_sum函数类似，
不同在于segment_ids中id顺序可以是无序的

tf.sparse_segment_sum(data,
indices, 
segment_ids, name=None)

输入进行稀疏分割求和
c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]])
# Select two rows, one segment.
tf.sparse_segment_sum(c, tf.constant([0, 1]),

tf.constant([0, 0])) ==> [[0 0
0 0]]
对原data的indices为[0,1]位置的进行分割，
并按照segment_ids的分组进行求和

tf.argmin(input, dimension, name=None)

返回input最小值的索引index

tf.argmax(input, dimension, name=None)

返回input最大值的索引index

dimension指定轴方向

tf.listdiff(x, y, name=None)

返回x，y中不同值的索引

tf.where(input, name=None)

返回bool型tensor中为True的位置
# ‘input’ tensor is 
#[[True, False]
#[True, False]]
# ‘input’ 有两个’True’,那么输出两个坐标值.
# ‘input’的rank为2, 所以每个坐标为具有两个维度.
where(input) ==>
[[0, 0],
[1, 0]]

tf.unique(x, name=None)

返回一个元组tuple(y,idx)，y为x的列表的唯一化数据列表，
idx为x数据对应y元素的index
# tensor ‘x’ is [1, 1, 2, 4, 4, 4, 7, 8, 8]
y, idx = unique(x)
y ==> [1, 2, 4, 7, 8]
idx ==> [0, 0, 1, 2, 2, 2, 3, 4, 4]

tf.invert_permutation(x, name=None)

置换x数据与索引的关系
# tensor x is [3,
4, 0, 2, 1]
invert_permutation(x) ==> [2, 4, 3, 0, 1]

tf.nn.relu(features, name=None)

整流函数：max(features,
0)

tf.nn.relu6(features, name=None)

以6为阈值的整流函数：min(max(features,
0), 6)

tf.nn.elu(features, name=None)

elu函数，exp(features)
- 1 if < 0,否则features
Exponential Linear Units (ELUs)

tf.nn.softplus(features, name=None)

计算softplus：log(exp(features)
+ 1)

tf.nn.dropout(x, keep_prob, 
noise_shape=None, seed=None, name=None)

计算dropout，keep_prob为keep概率
noise_shape为噪声的shape

tf.nn.bias_add(value, bias,
data_format=None, name=None)

对value加一偏置量
此函数为tf.add的特殊情况，bias仅为一维，
函数通过广播机制进行与value求和,
数据格式可以与value不同，返回为与value相同格式

tf.sigmoid(x, name=None)

y = 1 / (1 + exp(-x))

tf.tanh(x, name=None)

双曲线切线激活函数

tf.nn.conv2d(input, filter, strides,
padding, 
use_cudnn_on_gpu=None, data_format=None, name=None)

在给定的4D input与 filter下计算2D卷

积输入shape为

[batch, height, width, in_channels]

tf.nn.conv3d(input, filter, strides,
padding, name=None)

在给定的5D input与 filter下计算3D卷

积输入shape为

[batch, in_depth, in_height, in_width,

in_channels]

tf.nn.avg_pool(value, ksize, strides,
padding, 
data_format=’NHWC’, name=None)

平均方式池化

tf.nn.max_pool(value, ksize, strides,
padding, 
data_format=’NHWC’, name=None)

最大值方法池化

tf.nn.max_pool_with_argmax(input,
ksize, strides,
padding, Targmax=None, name=None)

返回一个二维元组(output,argmax),最大值

pooling，返回最大值及其相应的索引

tf.nn.avg_pool3d(input, ksize,
strides, 
padding, name=None)

3D平均值pooling

tf.nn.max_pool3d(input, ksize,
strides, 
padding, name=None)

3D最大值pooling

tf.nn.l2_normalize(x, dim,
epsilon=1e-12, name=None)

对维度dim进行L2范式标准化
output = x / sqrt(max(sum(x**2),

epsilon))

tf.nn.sufficient_statistics(x, axes,
shift=None, 
keep_dims=False, name=None)

计算与均值和方差有关的完全统计量
返回4维元组,*元素个数，*元素总和，

*元素的平方和，*shift结果
参见算法介绍

tf.nn.normalize_moments(counts,
mean_ss, variance_ss, shift, name=None)

基于完全统计量计算均值和方差

tf.nn.moments(x, axes,
shift=None, 
name=None, keep_dims=False)

直接计算均值与方差

tf.nn.l2_loss(t, name=None)

output = sum(t ** 2) / 2

tf.nn.sigmoid_cross_entropy_with_logits
(logits, targets, name=None)*

计算输入logits,
targets的交叉熵

tf.nn.softmax(logits, name=None)

计算softmax
softmax[i, j] = exp(logits[i, j]) /

sum_j(exp(logits[i, j]))

tf.nn.log_softmax(logits, name=None)

logsoftmax[i, j] = logits[i, j] –

log(sum(exp(logits[i])))

tf.nn.softmax_cross_entropy_with_logits
(logits, labels, name=None)

计算logits和labels的softmax交叉熵
logits, labels必须为相同的shape与数据类型

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

计算logits和labels的softmax交叉熵

tf.nn.weighted_cross_entropy_with_logits
(logits, targets, pos_weight, name=None)

与sigmoid_cross_entropy_with_logits()相似，
但给正向样本损失加了权重pos_weight

tf.nn.embedding_lookup
(params, ids, partition_strategy=’mod’, 
name=None, validate_indices=True)

根据索引ids查询embedding列表params

中的tensor值
如果len(params) > 1，id将会安照partition_

strategy策略进行分割
1、如果partition_strategy为”mod”，
id所分配到的位置为p = id % len(params)
比如有13个ids，分为5个位置，那么分配

方案为：
[[0, 5, 10], [1, 6, 11], [2, 7, 12], [3, 8], [4, 9]]
2、如果partition_strategy为”div”,那么

分配方案为：
[[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10], [11, 12]]

tf.nn.embedding_lookup_sparse(params, 
sp_ids, sp_weights, partition_strategy=’mod’, 
name=None, combiner=’mean’)

对给定的ids和权重查询embedding
1、sp_ids为一个N x M的稀疏tensor，
N为batch大小，M为任意，数据类型int64
2、sp_weights的shape与sp_ids的稀疏

tensor权重，浮点类型，若为None，

则权重为全’1’

tf.nn.rnn(cell, inputs,
initial_state=None, dtype=None, 
sequence_length=None, scope=None)

基于RNNCell类的实例cell建立循环神经网络

tf.nn.dynamic_rnn(cell, inputs,
sequence_length=None, 
initial_state=None, dtype=None, parallel_iterations=None, 
swap_memory=False, time_major=False, scope=None)

基于RNNCell类的实例cell建立动态循环

神经网络
与一般rnn不同的是，该函数会根据输入动态

展开返回(outputs,state)

tf.nn.state_saving_rnn(cell, inputs,
state_saver, state_name, 
sequence_length=None, scope=None)

可储存调试状态的RNN网络

tf.nn.bidirectional_rnn(cell_fw,
cell_bw, inputs, 
initial_state_fw=None, initial_state_bw=None, dtype=None,
sequence_length=None, scope=None)

双向RNN, 返回一个3元组tuple
(outputs, output_state_fw,

output_state_bw)

tf.nn.top_k(input, k=1, sorted=True,
name=None)

返回前k大的值及其对应的索引

tf.nn.in_top_k(predictions, targets,
k, name=None)

返回判断是否targets索引的predictions

相应的值是否在在predictions前k个位置

中，返回数据类型为bool类型，len与

predictions同

Sampled Loss Functions

tf.nn.nce_loss(weights, biases,
inputs, labels, num_sampled,
num_classes, num_true=1, sampled_values=None,
remove_accidental_hits=False, partition_strategy=’mod’,
name=’nce_loss’)

返回noise-contrastive的训练

损失结果

tf.nn.sampled_softmax_loss(weights,
biases, inputs, labels, 
num_sampled, num_classes, num_true=1, sampled_values=None,
remove_accidental_hits=True, partition_strategy=’mod’, 
name=’sampled_softmax_loss’)

返回sampled
softmax的训练损失
参考- Jean et al.,
2014第3部分

Candidate Samplers

tf.nn.uniform_candidate_sampler(true_classes,
num_true, 
num_sampled, unique, range_max, seed=None, name=None)

通过均匀分布的采样集合
返回三元tuple
1、sampled_candidates 候选集合。
2、期望的true_classes个数，为

浮点值
3、期望的sampled_candidates

个数，为浮点值

tf.nn.log_uniform_candidate_sampler(true_classes,
num_true,
num_sampled, unique, range_max, seed=None, name=None)

通过log均匀分布的采样集合，

返回三元tuple

tf.nn.learned_unigram_candidate_sampler
(true_classes, num_true, num_sampled, unique, 
range_max, seed=None, name=None)

根据在训练过程中学习到的分布

状况进行采样
返回三元tuple

tf.nn.fixed_unigram_candidate_sampler(true_classes,
num_true,
num_sampled, unique, range_max, vocab_file=”, 
distortion=1.0, num_reserved_ids=0, num_shards=1, 
shard=0, unigrams=(), seed=None, name=None)

基于所提供的基本分布进行采样

类tf.train.Saver(Saving
and Restoring Variables)

tf.train.Saver.__init__(var_list=None,
reshape=False, 
sharded=False, max_to_keep=5, 
keep_checkpoint_every_n_hours=10000.0, 
name=None, restore_sequentially=False,
saver_def=None, builder=None)

创建一个存储器Saver
var_list定义需要存储和恢复的变量

tf.train.Saver.save(sess, save_path,
global_step=None, 
latest_filename=None, meta_graph_suffix=’meta’,
write_meta_graph=True)

保存变量

tf.train.Saver.restore(sess,
save_path)

恢复变量

tf.train.Saver.last_checkpoints

列出最近未删除的checkpoint 文件名

tf.train.Saver.set_last_checkpoints(last_checkpoints)

设置checkpoint文件名列表

tf.train.Saver.set_last_checkpoints_with_time(last_checkpoints_with_time)

设置checkpoint文件名列表和时间戳

class
tf.train.ExponentialMovingAverage

将指数衰退加入到移动平均中

tf.train.ExponentialMovingAverage.apply(var_list=None)

对var_list变量保持移动平均

tf.train.ExponentialMovingAverage.average_name(var)

返回var均值的变量名称

tf.train.ExponentialMovingAverage.average(var)

返回var均值变量

tf.train.ExponentialMovingAverage.variables_to_restore(moving_avg_variables=None)

返回用于保存的变量名称的映射