CNN
1、激活函数（Activation Functions）
操作 描述
tf.nn.relu(features, name=None) relu激活函数
tf.nn.elu(features, name=None) elu激活函数
tf.nn.dropout(x, keep_prob, noise_shape=None) 计算dropout，keep_prob为keep概率
tf.sigmoid(x, name=None) y = 1 / (1 + exp(-x))
tf.tanh(x, name=None) 双曲线切线激活函数
2、卷积函数（Convolution）
操作 描述
tf.nn.conv2d(input, filter, strides, padding) 在给定的4D input与 filter下计算2D卷积
input的shape为 [batch, height, width, in_channels]
3、池化函数（Pooling）
操作 描述
tf.nn.max_pool(value, ksize, strides, padding) 最大值方法池化
tf.nn.avg_pool(value, ksize, strides, padding) 平均方式池化
4、损失函数（Losses）
操作 描述
tf.nn.l2_loss(t, name=None) output = sum(t ** 2) / 2
5、分类函数（Classification）
操作 描述
tf.nn.sigmoid_cross_entropy_with_logits 计算输入logits, targets的交叉熵
(logits, targets, name=None)
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 计算logits和labels的softmax交叉熵
(logits, labels, name=None)
logits, labels必须为相同的shape与数据类型
tf.nn.weighted_cross_entropy_with_logits 与sigmoid_cross_entropy_with_logits()相似，但给正向样本损失加了
(logits, targets, pos_weight, name=None) 权重pos_weight
RNN
tf.contrib.rnn.MultiRNNCell
对RNN单元按序列堆叠。接受参数为一个由RNN cell组成的list。
rnn_size代表一个rnn单元中隐层节点数量，layer_nums代表堆叠的rnn cell个数
tf.nn.dynamic_rnn
构建RNN，接受动态输入序列。返回RNN的输出以及最终状态的tensor。
dynamic_rnn与rnn的区别在于，dynamic_rnn对于不同的batch，可以接收不同的sequence_length。
例如，第一个batch是[batch_size,10]，第二个batch是[batch_size,20]。而rnn只能接收定长的sequence_length。
def get_lstm_cell(rnn_size):
lstm_cell=tf.contrib.rnn.LSTMCell(rnn_size,initializer=tf.random_uniform_initializer(-0.1, 0.1, seed=2))
return lstm_cell
#num_layers层的RNN单元
cell = tf.contrib.rnn.MultiRNNCell([get_lstm_cell(rnn_size) for _ in range(num_layers)])
#encoder_embed_input 的形状：[batch_size, , enbedding_size]
encoder_output,encoder_state=tf.nn.dynamic_rnn(cell,encoder_embed_input,sequence_length=source_sequence_length, dtype=tf.float32)
来源：https://www.cnblogs.com/yongfuxue/p/10095869.html