常见API
str.split(分隔符，分隔次数)通过指定分隔符对字符串进行切片，返回分割后的字符串列表
str.strip([指定的字符序列])方法用于移除字符串头尾指定的字符（默认为空格）或字符序列，返回生成的新字符串
str.join(sequence)用于将序列中的元素以指定的字符连接生成一个新的字符串
tf.random_uniform() ((6, 6), minval=low,maxval=high,dtype=tf.float32)))返回6*6的矩阵，产生于low和high之间，产生的值是均匀分布的
tf.tile(input，multiples<某一维度上复制的次数>，name=None)
tf.concat([tensor1, tensor2,...], axis)在指定轴上拼接张量
tf.reshape()可以用来增加维度
tf.truncated_normal（shape，mean均值，stddev标准差）此函数产生的随机数与均值的差距不会超过两倍的标准差
enumerate()函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中
>>>seasons = ['Spring', 'Summer', 'Fall', 'Winter']
>>> list(enumerate(seasons))
[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]
>>> list(enumerate(seasons, start=1)) # 下标从 1 开始
[(1, 'Spring'), (2, 'Summer'), (3, 'Fall'), (4, 'Winter')]
set() 函数创建一个无序不重复元素集，可进行关系测试，删除重复数据。
>>>x = set('runoob')
>>> y = set('google')
>>> x, y
(set(['b', 'r', 'u', 'o', 'n']), set(['e', 'o', 'g', 'l'])) # 重复的被删除
基本概念
特殊张量：
常量是始终会返回同一张量值的指令。x = tf.constant([5.2])
变量是会返回分配给它的任何张量的指令。y = tf.Variable([5])， 创建变量时，您可以明确设置一个初始值，也可以使用初始化程序（例如分布）。 要更改变量的值，请使用 assign 操作， 向变量赋予新值时，其形状必须和之前的形状一致。
TensorFlow 编程本质上是一个两步流程：
（1）将常量、变量和指令整合到一个图中。
（2）在一个会话中评估这些常量、变量和指令。
形状用于描述张量维度的大小和数量。张量的形状表示为 list，其中第 i 个元素表示维度 i 的大小。列表的长度表示张量的阶（即维数）。matrix0 = tf.zeros([2, 2])，形状（shape）也可以用元组表示。（None表示可变长度）
0阶张量（常数）的形状= []
s_1_flex = [None]
s_2_flex = (None, 3)
s_3_flex = [2, None, None]
以下代码展示了如何创建大小与给定矩阵中的列数相同的零矢量：
zeros = tf.zeros(my_matrix.shape[1])
在数学中，您只能对形状相同的张量执行元素级运算（例如，相加和等于）。不过，在 TensorFlow 中，您可以对张量执行传统意义上不可行的运算。利用广播，元素级运算中的较小数组会增大到与较大数组具有相同的形状。
我们使用一种称为“特征列”的结构来表示特征的数据类型。特征列仅存储对特征数据的描述；不包含特征数据本身。
batch_size：此整数指定每个批次的大小。请注意，如果样本总数不能被批次大小整除，则最后一个批次可能更小。
pandas
DataFrame（数据框架），您可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
Series，它是单一列。DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。
高阶API： keras的使用
低阶API：张量、变量、图表、会话的使用（适当的使用低阶API，实验和调试都会更直接，且能够理解其内部工作原理）
您可以将 TensorFlow Core 程序看作由两个互相独立的部分组成：
1.构建计算图 (tf.Graph)
2.运行计算图（使用 tf.Session）
图：
计算图是排列成一个图的一系列 TensorFlow 指令。图由两种类型的对象组成 ：
1、操作（简称“op”）：图的节点。操作描述了消耗和生成张量的计算
2、张量：图的边。它们代表将流经图的值。大多数 TensorFlow 函数会返回 tf.Tensors
会话：
会话会封装 TensorFlow 运行时的状态，并运行 TensorFlow 操作。如果说 tf.Graph 像一个 .py 文件，那么 tf.Session 就像一个 python 可执行对象。
当您使用 Session.run 请求输出节点时，TensorFlow 会回溯整个图，并流经提供了所请求的输出节点对应的输入值的所有节点。
您可以将多个张量传递给 tf.Session.run。run 方法以透明方式处理元组或字典的任何组合。它返回的结果拥有相同的布局结构。
创建会话对象后，可以使用 sess.run (node) 返回节点的值，并且 Tensorflow 将执行确定该值所需的所有计算。
我们还可以传递一个列表，sess.run ([node1，node2，...])，并让它返回多个输出
一般来说，sess.run () 调用往往是最大的 TensorFlow 瓶颈之一，所以调用它的次数越少越好。可以的话在一个 sess.run () 调用中返回多个项目，而不是进行多个调用。
Tensorflow 仅通过必需的节点自动路由计算这一事实是它的巨大优势。如果计算图非常大并且有许多不必要的节点，它就能节约大量运行时间。
在深度学习中，典型的“内循环”训练如下：
获取输入和 true_output
根据输入和参数计算出一个“猜测”
根据猜测和 true_output 之间的差异计算出一个“损失”
根据损失的梯度更新参数
