1.tf.random_normal()

用于“服从指定正态分布的序列”中随机取出指定个数的值。
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)

• shape:输出张量的形状，必选
• mean:正态分布的均值，默认为0
• stddev：正态分布的标准差，默认为1.0
• dtype：输出的类型，默认为tf.float32
• seed：随机的种子，是一个整数，当设置之后，每次生成的随机数都一样。
• name：操作的名称

2.tf.zeros()

创建一个张量，所有元素设置为0
tf.zeros([2,3],tf.int32) #[0, 0, 0], [0, 0, 0]

3.np.linspace（）

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
用来创建等差数列

• start:返回样本数据开始点
• stop:返回样本数据结束点
• num:生成的样本数据量，默认为50
• endpoint：True则包含stop；False则不包含stop
• retstep：如果为True则结果会给出数据间隔
• dtype：输出数组类型
• axis：0(默认)或-1

4.tf.placeholder（）

tf.placeholder(dtype, shape, name)
这个函数可以理解为定义一个形参，在执行的时候再赋值

• dtype：数据类型常用的是tf.float32,tf.float64等数值类型
• shape：数据形状，数据形状。默认是None，就是一维值，也可以是多维，比如 [None, 3]表示列是3，行不定
• name：操作的名称

xs = tf.compat.v1.placeholder(tf.float32, [None, 1])
ys = tf.compat.v1.placeholder(tf.float32, [None, 1])

赋值
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

赋值的时候使用feed_dict,执行一次需要赋值一次

5.tf.reduce_mean()

reduce_mean(input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)

用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。

• input_tensor： 输入的待降维的tensor;
• axis： 指定的轴，如果不指定，则计算所有元素的均值;
• keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
• name： 操作的名称;
• reduction_indices：在以前版本中用来指定轴，已弃用;

类似的函数有：

• tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
• tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
• tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
• tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;