1、tf.keras.losses.mse 和 tf.keras.losses.MSE ，两者功能相同（书页：61）

2、@ 是矩阵运算乘法（书页：63）

3、为了避免出现像 x[:,:,:,1]这样过多冒号的情况，可以使用 ... 符号表示取多个维度上所有的数据，其中维度的数量需根据规则自动推断：当切片方式出现 ... 符号时，... 符号的左边的维度将自动对齐到最左边，... 符号的右边的维度将自动对齐到最右边（书页：69）

4、给每个层的每个输出节点添加一个偏置，这个偏置数据是对所有的样本都是共享的，换言之每个样本都应该累加上同样的偏置向量 b。（书页：71）

注：偏置向量 b 的元素个数取决于每层输出节点的个数

5、维度变换操作函数：

改变视图：reshape

插入新维度：expands_dims

删除维度：squeeze

交换维度：transpose

复制数据：tile

6、squeeze 删除维度只能删除长度为 1 的维度。可以通过参数 axis 来删除指定的维度，也可以不指定参数 axis ，此时会默认删除所有长度为 1 的维度（书页：75、76）

7、建议使用 tf.squeeze() 时逐一指定需要删除的维度参数，防止 TensorFlow 意外删除某些长度为 1 的维度，导致计算结果不合法（书页：76）

8、交换维度时，不能够使用 reshape 方法，否则将会得到错误的数据（书页：76 的部分内容总结）

9、交换维度时，需要使用 transpose 方法（书页：76）

10、可以通过 tf.tile(x, multiples) 函数完成数据在指定维度上的复制操作，multiples 分别指定了每个维度上面的复制倍数，对应位置为 1 表明不复制，为 2 表明新长度为原来长度的 2 倍，即数据复制一份，以此类推（书页：77）

11、Broadcasting 称为广播机制（或自动扩展机制），它是一种轻量级的张量复制手段，在逻辑上扩展张量数据的形状，但是只会在需要时才会执行实际存储复制操作。对于大部分场景，Broadcasting 机制都能通过优化手段避免实际复制数据而完成逻辑运算，从而相对于 tf.tile 函数，减少了大量计算代价（书页：78、79）

12、建议在运算过程中尽可能地利用 Broadcasting 机制提高计算效率

13、当张量 A 和张量 B 的维度大于 2 时，tensorflow 会选择张量 A 和张量 B 的最后两个维度进行相乘。例如张量 A 的维度是 [4, 3, 28, 32]，张量 B 的维度是 [4, 3, 32, 2] 则是选择张量 A 的维度 [28, 32] 和张量 B 的维度 [32, 2] 进行相乘，剩下的 [4, 3] 则当做是 Batch 维度，即数值要相同。

14、拼接操作(tf.concat)直接在现有的维度上合并维度，并不会产生新的维度（例如张量 A 的维度为 [35, 8] 以及张量 B 的维度为 [35, 8] ，在 axis=0 的轴上进行拼接后的维度为 [70, 8]）。如果在合并时，希望产生一个新的维度，则需要使用 tf.stack 操作。以前面的例子为例，得到的新的维度是 [2, 35, 8]。

15、通过 tf.split(x, num_or_size_splits, axis)可以完成张量的分割操作。

num_or_size_splits 参数：切割方案。当 num_or_size_splits 为单个数值时，如 10，表示等长切割为 10 份；当 num_or_size_splits 为 List 时，List 的每个元素表示每份的长度，如[2,4,2,2]表示切割为 4 份，每份的长度依次是 2、4、2、2。

return 的数据类型是 List。

切割后，仍会保留原有的维度数量，如原本的维度为 [10， 35, 8]，在 axis=0 轴上切割 10 份后，得到的每一份的维度是 [1, 35, 8]，而不是 [35, 8]。