TensorFlow API 汉化
模块：tf
将所有公共TensorFlow接口引入此模块。
模块
app module：通用入口点脚本。
bitwise module：操作整数二进制表示的操作。
compat module：Python 2与3兼容的函数。
contrib module：包含易失性或实验代码的contrib模块。
datamodule：tf.data.Dataset输入管道的API。
debugging module：tf.debugging名称空间的公共API。
distributions module：TensorFlow分发对象和帮助程序的核心模块。
dtypes module：tf.dtypes命名空间的公共API。
errors module：TensorFlow错误的异常类型。
estimator 模块：Estimator：用于处理模型的高级工具。
feature_column module：tf.feature_column命名空间的公共API。
flagsmodule：导入absl.flags的路由器。请参阅https://github.com/abseil/abseil-py。
gfile module：导入file_io的路由器。
graph_util module：帮助操作python中的张量图。
image 模块：图像处理和解码操作。
initializers module：tf.initializers命名空间的公共API。
io module：tf.io名称空间的公共API。
keras 模块：Keras API的实现意味着是TensorFlow的高级API。
layers module：tf.layers命名空间的公共API。
linalg 模块：线性代数的操作。
logging module：日志记录和摘要操作。
losses 模块：用于神经网络的损失操作。
manip module：操作张量的操作符。
math module：基本算术运算符。
metrics 模块：与评估相关的指标。
nn module：原始神经网络（NN）操作的包装器。
profiler module：tf.profiler命名空间的公共API。
python_io module：Python函数，用于直接操作TFRecord格式的文件。
pywrap_tensorflow module：TensorFlow SWIG生成的绑定的包装器。
quantization module：tf.quantization命名空间的公共API。
resource_loader 模块：资源管理库。
saved_model module：tf.saved_model命名空间的公共API。
sets module：Tensorflow设置操作。
spectral 模块：频谱运算符（例如DCT，FFT，RFFT）。
strings module：使用字符串Tensors的操作。
summary module：tf.summary命名空间的公共API。
sysconfig module：系统配置库。
test 模块：测试。
tools 模
train 模块：支持培训模型。
user_ops module：tf.user_ops命名空间的公共API。
类
class AggregationMethod：列出用于组合渐变的聚合方法的类。
class ConditionalAccumulator：用于聚合渐变的条件累加器。
class ConditionalAccumulatorBase：用于聚合渐变的条件累加器。
class DType：表示a中元素的类型Tensor。
class DeviceSpec：表示TensorFlow设备的（可能是部分的）规范。
class Dimension：表示TensorShape中一个维的值。
class FIFOQueue：以先进先出顺序使元素出列的队列实现。
class FixedLenFeature：用于解析固定长度输入要素的配置。
class FixedLenSequenceFeature：用于将可变长度输入要素解析为a的配置Tensor。
class FixedLengthRecordReader：从文件输出固定长度记录的Reader。
class GradientTape：记录自动区分操作。
class Graph：TensorFlow计算，表示为数据流图。
class GraphKeys：用于图表集合的标准名称。
class IdentityReader：将排队的工作输出为键和值的Reader。
class IndexedSlices：给定索引处的一组张量切片的稀疏表示。
class InteractiveSession：TensorFlow Session，用于交互式上下文，例如shell。
class LMDBReader：从LMDB文件输出记录的Reader。
class OpError：TensorFlow执行失败时引发的一般错误。
class Operation：表示在张量上执行计算的图形节点。
class PaddingFIFOQueue：FIFOQueue，支持通过填充批处理可变大小的张量。
class PriorityQueue：以优先顺序排列元素的队列实现。
class QueueBase：队列实现的基类。
class RandomShuffleQueue：以随机顺序使元素出列的队列实现。
class ReaderBase：不同Reader类型的基类，每步生成一条记录。
class RegisterGradient：用于为op类型注册渐变函数的装饰器。
class Session：用于运行TensorFlow操作的类。
class SparseConditionalAccumulator：用于聚合稀疏梯度的条件累加器。
class SparseFeature：用于从中解析稀疏输入要素的配置Example。
class SparseTensor：表示稀疏张量。
class SparseTensorValue：SparseTensorValue（索引，值，dense_shape）
class TFRecordReader：从TFRecords文件输出记录的Reader。
class Tensor：代表一个输出Operation。
class TensorArray：类包装动态大小，每时间步长，一次写入Tensor数组。
class TensorShape：表示a的形状Tensor。
class TextLineReader：一个Reader，输出由换行符分隔的文件行。
class VarLenFeature：用于解析可变长度输入要素的配置。
class Variable：有关高级概述，请参见变量操作方法。
class VariableAggregation：指示如何聚合分布式变量。
class VariableScope：变量范围对象携带默认值get_variable。
class VariableSynchronization：指示何时同步分布式变量。
class WholeFileReader：一个Reader，它将文件的全部内容输出为值。
class constant_initializer：初始化程序，生成具有常量值的张量。
class name_scope：定义Python操作时使用的上下文管理器。
class ones_initializer：生成张量初始化为1的初始化程序。
class orthogonal_initializer：初始化程序，生成正交矩阵。
class random_normal_initializer：初始化程序，生成具有正态分布的张量。
class random_uniform_initializer：初始化程序，生成具有均匀分布的张量。
class truncated_normal_initializer：初始化程序，生成截断的正态分布。
class uniform_unit_scaling_initializer：初始化程序，生成张量而不缩放方差。
class variable_scope：用于定义创建变量（层）的操作的上下文管理器。
class variance_scaling_initializer：初始化程序能够使其比例适应权重张量的形状。
class zeros_initializer：生成张量初始化为0的初始化程序。
功能
Assert(...)：断言给定条件为真。
NoGradient(...)：指定类型的ops op_type不可区分。
NotDifferentiable(...)：指定类型的ops op_type不可区分。
Print(...)：打印张量列表。
abs(...)：计算张量的绝对值。
accumulate_n(...)：返回张量列表的元素和。
acos(...)：计算x元素的acos。
acosh(...)：计算x元素的反双曲余弦值。
add(...)：返回x + y元素。
add_check_numerics_ops(...)：连接check_numerics到每个浮点张量。
add_n(...)：以元素方式添加所有输入张量。
add_to_collection(...)：包装器Graph.add_to_collection()使用默认图形。
add_to_collections(...)：包装器Graph.add_to_collections()使用默认图形。
all_variables(...)：见tf.global_variables。（废弃）
angle(...)：返回复杂（或实际）张量的逐元素参数。
arg_max(...)：返回张量维度上具有最大值的索引。（废弃）
arg_min(...)：返回张量维度上具有最小值的索引。（废弃）
argmax(...)：返回张量轴上具有最大值的索引。（不赞成的参数）
argmin(...)：返回张量轴上具有最小值的索引。（不赞成的参数）
as_dtype(...)：将给定转换type_value为DType。
as_string(...)：将给定张量中的每个条目转换为字符串。支持许多数字
asin(...)：计算x元素的asin。
asinh(...)：计算x元素的反双曲正弦值。
assert_equal(...)：断言条件x == y保持元素。
assert_greater(...)：断言条件x > y保持元素。
assert_greater_equal(...)：断言条件x >= y保持元素。
assert_integer(...)：断言x是整数dtype。
assert_less(...)：断言条件x < y保持元素。
assert_less_equal(...)：断言条件x <= y保持元素。
assert_near(...)：断言条件x并且y元素紧密。
assert_negative(...)：断言条件x < 0保持元素。
assert_non_negative(...)：断言条件x >= 0保持元素。
assert_non_positive(...)：断言条件x <= 0保持元素。
assert_none_equal(...)：断言x != y所有元素的条件成立。
assert_positive(...)：断言条件x > 0保持元素。
assert_proper_iterable(...)：静态断言值是“正确的”可迭代的。
assert_rank(...)：Assert的x排名等于rank。
assert_rank_at_least(...)：Assert的x等级等于rank或高于等级。
assert_rank_in(...)：Assert x已经排名靠前ranks。
assert_same_float_dtype(...)：根据tensors和验证并返回float类型dtype。
assert_type(...)：静态断言给定的Tensor是指定类型。
assert_variables_initialized(...)：返回一个Op来检查变量是否已初始化。
assign(...)：通过为其指定'value'来更新'ref'。
assign_add(...)：通过向其添加“值”来更新“ref”。
assign_sub(...)：通过从中减去'value'来更新'ref'。
atan(...)：计算x元素的atan。
atan2(...)：计算y/x元素方面的反正切性，尊重参数的符号。
atanh(...)：计算x元素的反双曲正切。
batch_to_space(...)：BatchToSpace用于T型的4-D张量
batch_to_space_nd(...)：用于类型T的ND张量的BatchToSpace
betainc(...)：计算正则化的不完全β积分 一世X（一个，b）。
bincount(...)：计算整数数组中每个值的出现次数。
bitcast(...)：从一种类型到另一种类型的张量，无需复制数据。
boolean_mask(...)：将boolean mask应用于张量。Numpy等价物tensor[mask]。
broadcast_dynamic_shape(...)：返回shape_x和之间的广播动态形状shape_y。
broadcast_static_shape(...)：返回shape_x和之间的广播静态形状shape_y。
broadcast_to(...)：为兼容的形状广播数组。
case(...)：创建案例操作。
cast(...)：将张量转换为新类型。
ceil(...)：返回不小于x的元素方向最小整数。
check_numerics(...)：检查NaN和Inf值的张量。
cholesky(...)：计算一个或多个方阵的Cholesky分解。
cholesky_solve(...)：A X = RHS给出Cholesky因子分解，求解线性方程组。
clip_by_average_norm(...)：将张量值剪切为最大平均L2范数。
clip_by_global_norm(...)：通过其范数之和的比率来剪切多个张量的值。
clip_by_norm(...)：将张量值剪切为最大L2范数。
clip_by_value(...)：将张量值剪切到指定的最小值和最大值。
complex(...)：将两个实数转换为复数。
concat(...)：沿一个维度连接张量。
cond(...)：true_fn()如果谓词pred为真，则返回false_fn()。（不赞成的参数）
confusion_matrix(...)：从预测和标签计算混淆矩阵。
conj(...)：返回复数的复共轭。
constant(...)：创建一个恒定的张量。
container(...)：包装器Graph.container()使用默认图形。
control_dependencies(...)：包装器Graph.control_dependencies()使用默认图形。
convert_to_tensor(...)：将给定转换value为Tensor。
convert_to_tensor_or_indexed_slices(...)：将给定对象转换为a Tensor或a IndexedSlices。
convert_to_tensor_or_sparse_tensor(...)：将值转换为SparseTensor或Tensor。
cos(...)：计算x元素的cos。
cosh(...)：计算x元素的双曲余弦值。
count_nonzero(...)：计算张量尺寸的非零元素数。（不赞成的参数）
count_up_to(...)：递增'ref'直到达到'limit'。
create_partitioned_variables(...)：根据给定的内容创建分区变量列表slicing。
cross(...)：计算成对交叉乘积。
cumprod(...)：计算张量的累积产x一起axis。
cumsum(...)：计算张量的累积和x一起axis。
custom_gradient(...)：Decorator用于定义具有自定义渐变的函数。
decode_base64(...)：解码Web安全base64编码的字符串。
decode_compressed(...)：解压缩字符串。
decode_csv(...)：将CSV记录转换为张量。每列映射到一个张量。
decode_json_example(...)：将JSON编码的示例记录转换为二进制协议缓冲区字符串。
decode_raw(...)：将字符串的字节重新解释为数字向量。
delete_session_tensor(...)：删除给定张量句柄的张量。
depth_to_space(...)：用于T型张量的DepthToSpace
dequantize(...)：将“输入”张量反量化为浮点张量。
deserialize_many_sparse(...)：SparseTensors从序列化的minibatch 反序列化和连接。
device(...)：包装器Graph.device()使用默认图形。
diag(...)：返回具有给定对角线值的对角线张量。
diag_part(...)：返回张量的对角线部分。
digamma(...)：计算Psi，Lgamma的导数（绝对值的对数）
div(...)：将x / y元素分开（使用Python 2除法运算符语义）。
divide(...)：计算的Python的风格划分x的y。
dynamic_partition(...)：使用索引从分区data转换为num_partitions张量partitions。
dynamic_stitch(...)：将来自data张量的值交织到单个张量中。
edit_distance(...)：计算序列之间的Levenshtein距离。
einsum(...)：任意维度的张量之间的广义收缩。
enable_eager_execution(...)：在此程序的生命周期内启用急切执行。
encode_base64(...)：将字符串编码为web-safe base64格式。
equal(...)：返回（x == y）元素的真值。
erf(...)：计算x元素方面的高斯误差函数。
erfc(...)：计算x元素的互补误差函数。
executing_eagerly(...)：如果当前线程启用了预先执行，则返回True。
exp(...)：计算x元素的指数。 ÿ=ËX。
expand_dims(...)：将尺寸1插入张量的形状。（不赞成的参数）
expm1(...)：计算x - 1元素的指数。
extract_image_patches(...)：patches从images“深度”输出维度中提取并放入它们。
eye(...)：构造一个单位矩阵或一批矩阵。
fake_quant_with_min_max_args(...)：假定位'输入'张量，键入float到'outputs'张量相同的类型。
fake_quant_with_min_max_args_gradient(...)：计算FakeQuantWithMinMaxArgs操作的渐变。
fake_quant_with_min_max_vars(...)：通过全局浮动标量假定量化float类型的'inputs'张量 min
fake_quant_with_min_max_vars_gradient(...)：计算FakeQuantWithMinMaxVars操作的渐变。
fake_quant_with_min_max_vars_per_channel(...)：假量化float类型的'inputs'张量和其中一个形状：[d]，
fake_quant_with_min_max_vars_per_channel_gradient(...)：计算FakeQuantWithMinMaxVarsPerChannel操作的渐变。
fft(...)：快速傅立叶变换。
fft2d(...)：2D快速傅里叶变换。
fft3d(...)：3D快速傅里叶变换。
fill(...)：创建一个填充标量值的张量。
fixed_size_partitioner(...)：分区程序指定沿给定轴的固定数量的分片。
floor(...)：返回不大于x的元素方向最大整数。
floor_div(...)：以元素方式返回x // y。
floordiv(...)：x / y除以元素，向最负整数舍入。
floormod(...)：返回除法元素的余数。当x < 0xor y < 0是
foldl(...)：elems在尺寸0上解压缩的张量列表上的foldl 。
foldr(...)：elems在尺寸0上解压缩的张量列表上的foldr 。
gather(...)：根据params轴从轴上采集切片。axisindices
gather_nd(...)：将切片从params具有指定形状的Tensor中收集indices。
get_collection(...)：包装器Graph.get_collection()使用默认图形。
get_collection_ref(...)：包装器Graph.get_collection_ref()使用默认图形。
get_default_graph(...)：返回当前线程的默认图形。
get_default_session(...)：返回当前线程的默认会话。
get_local_variable(...)：获取现有局部变量或创建新变量。
get_seed(...)：返回操作应该使用给定特定种子的种子的本地种子。
get_session_handle(...)：归还手柄data。
get_session_tensor(...)：dtype通过提供张量手柄获得张量类型。
get_variable(...)：使用这些参数获取现有变量或创建一个新变量。
get_variable_scope(...)：返回当前变量范围。
global_norm(...)：计算多个张量的全局范数。
global_variables(...)：返回全局变量。
global_variables_initializer(...)：返回初始化全局变量的Op。
glorot_normal_initializer(...)：Glorot普通初始化器，也称为Xavier普通初始化器。
glorot_uniform_initializer(...)：Glorot统一初始化器，也称为Xavier统一初始化器。
gradients(...)：构造yswrt x in 的和的符号导数xs。
greater(...)：以元素方式返回（x> y）的真值。
greater_equal(...)：以元素方式返回（x> = y）的真值。
group(...)：创建一个将多个操作分组的操作。
guarantee_const(...)：为TF运行时保证输入张量是常量。
hessians(...)：构造的总和的Hessian矩阵ys相对于x在xs。
histogram_fixed_width(...)：返回值的直方图。
histogram_fixed_width_bins(...)：将给定值用于直方图。
identity(...)：返回与输入相同的形状和内容的张量。
identity_n(...)：返回与输入具有相同形状和内容的张量列表
ifft(...)：逆快速傅里叶变换。
ifft2d(...)：逆2D快速傅里叶变换。
ifft3d(...)：逆3D快速傅里叶变换。
igamma(...)：计算较低正则化的不完全Gamma函数Q(a, x)。
igammac(...)：计算上部正则化不完全Gamma函数Q(a, x)。
imag(...)：返回复数（或实数）张量的虚部。
import_graph_def(...)：将图形graph_def导入当前默认值Graph。（不赞成的参数）
initialize_all_tables(...)：返回初始化默认图形的所有表的Op。（废弃）
initialize_all_variables(...)：见tf.global_variables_initializer。（废弃）
initialize_local_variables(...)：见tf.local_variables_initializer。（废弃）
initialize_variables(...)：见tf.variables_initializer。（废弃）
invert_permutation(...)：计算张量的逆置换。
is_finite(...)：返回x的哪些元素是有限的。
is_inf(...)：返回x的哪些元素是Inf。
is_nan(...)：返回x的哪些元素是NaN。
is_non_decreasing(...)：True如果x不减少则返回。
is_strictly_increasing(...)：True如果x严格增加则返回。
is_variable_initialized(...)：测试变量是否已初始化。
lbeta(...)：计算 升ñ（|乙ËŤ一个（X）|），沿着最后一个维度减少。
less(...)：返回（x <y）元素的真值。
less_equal(...)：以元素方式返回（x <= y）的真值。
lgamma(...)：计算Gamma(x)元素的绝对值的对数。
lin_space(...)：生成间隔中的值。
linspace(...)：生成间隔中的值。
load_file_system_library(...)：加载TensorFlow插件，包含文件系统实现。
load_op_library(...)：加载TensorFlow插件，包含自定义操作和内核。
local_variables(...)：返回局部变量。
local_variables_initializer(...)：返回初始化所有局部变量的Op。
log(...)：计算x元素的自然对数。
log1p(...)：计算（1 + x）元素的自然对数。
log_sigmoid(...)：计算x元素方式的日志sigmoid 。
logical_and(...)：返回x和y元素的真值。
logical_not(...)：返回NOT x元素的真值。
logical_or(...)：返回x OR y元素的真值。
logical_xor(...)：x ^ y =（x | y）＆〜（x＆y）。
make_ndarray(...)：从张量中创建一个numpy ndarray。
make_template(...)：给定一个任意函数，包装它以便它进行变量共享。
make_tensor_proto(...)：创建TensorProto。
map_fn(...)：elems在尺寸0上解压缩的张量列表上的地图。
matching_files(...)：返回与一个或多个glob模式匹配的文件集。
matmul(...)：矩阵a乘以矩阵b，产生a* b。
matrix_band_part(...)：复制张量设置每个最内层矩阵*带外的所有内容
matrix_determinant(...)：计算一个或多个方阵的行列式。
matrix_diag(...)：返回具有给定批处理对角线值的批处理对角线张量。
matrix_diag_part(...)：返回批处理张量的批处理对角线部分。
matrix_inverse(...)：计算一个或多个平方可逆矩阵或它们的倒数
matrix_set_diag(...)：返回具有新批处理对角线值的批处理矩阵张量。
matrix_solve(...)：求解线性方程组。
matrix_solve_ls(...)：解决一个或多个线性最小二乘问题。
matrix_transpose(...)：转置张量的最后两个维度a。
matrix_triangular_solve(...)：求解具有上三角矩阵或下三角矩阵的线性方程组
maximum(...)：以元素方式返回x和y的最大值（即x> y？x：y）。
meshgrid(...)：广播用于评估ND网格的参数。
min_max_variable_partitioner(...)：分区程序，用于分配每个切片的最小大小。
minimum(...)：以元素方式返回x和y的min（即x <y？x：y）。
mod(...)：返回除法元素的余数。当x < 0xor y < 0是
model_variables(...)：返回MODEL_VARIABLES集合中的所有变量。
moving_average_variables(...)：返回维护其移动平均值的所有变量。
multinomial(...)：从多项分布中绘制样本。
multiply(...)：以元素方式返回x * y。
negative(...)：按元素计算数值负值。
no_op(...)： 什么也没做。仅用作控制边的占位符。
no_regularizer(...)：使用此函数可防止变量正则化。
norm(...)：计算向量，矩阵和张量的范数。（不赞成的参数）
not_equal(...)：以元素方式返回（x！= y）的真值。
one_hot(...)：返回一个热的张量。
ones(...)：创建一个张量，所有元素都设置为1。
ones_like(...)：创建一个张量，所有元素都设置为1。
op_scope(...)：已弃用。与上面的name_scope相同，只是不同的参数顺序。
pad(...)：垫一个张量。
parallel_stack(...)：R将一个等级(R+1)张量列表并行堆叠到一个等级 - 张量中。
parse_example(...)：将Example原型解析dict为张量。
parse_single_example(...)：解析一个Example原型。
parse_single_sequence_example(...)：解析一个SequenceExample原型。
parse_tensor(...)：将序列化的tensorflow.TensorProto原型转换为Tensor。
placeholder(...)：插入一个占位符，用于将始终输入的张量。
placeholder_with_default(...)：占位符op input在未输入其输出时通过。
polygamma(...)：计算polygamma函数 ψ（ñ）（X）。
pow(...)：计算一个值与另一个值的幂。
py_func(...)：包装python函数并将其用作TensorFlow操作。
qr(...)：计算一个或多个矩阵的QR分解。
quantize(...)：将float类型的'input'张量量化为't'类型的'output'张量。
quantize_v2(...)：请tf.quantize改用。
quantized_concat(...)：沿一个维度连接量化张量。
random_crop(...)：随机地将张量裁剪为给定大小。
random_gamma(...)：shape从每个给定的Gamma分布中抽取样本。
random_normal(...)：从正态分布输出随机值。
random_poisson(...)：shape从每个给定的泊松分布中绘制样本。
random_shuffle(...)：随机地沿着第一维度改变张量。
random_uniform(...)：从均匀分布输出随机值。
range(...)：创建一系列数字。
rank(...)：返回张量的等级。
read_file(...)：读取并输出输入文件名的全部内容。
real(...)：返回复杂（或实际）张量的实部。
realdiv(...)：返回实数类型的x / y元素。
reciprocal(...)：计算x元素的倒数。
reduce_all(...)：计算张量维度的元素的“逻辑和”。（不赞成的参数）
reduce_any(...)：计算张量维度的“逻辑或”元素。（不赞成的参数）
reduce_join(...)：在给定尺寸上连接字符串Tensor。
reduce_logsumexp(...)：计算log（sum（exp（张量尺寸的元素）））。（不赞成的参数）
reduce_max(...)：计算张量尺寸的元素最大值。（不赞成的参数）
reduce_mean(...)：计算张量维度的元素平均值。（不赞成的参数）
reduce_min(...)：计算张量尺寸的最小元素。（不赞成的参数）
reduce_prod(...)：计算张量维度的元素乘积。（不赞成的参数）
reduce_sum(...)：计算张量维度的元素总和。（不赞成的参数）
regex_replace(...)：用重写替换输入中的模式匹配。
register_tensor_conversion_function(...)：注册转换的对象的功能base_type来Tensor。
report_uninitialized_variables(...)：添加ops以列出未初始化变量的名称。
required_space_to_batch_paddings(...)：计算使block_shape除以input_shape所需的填充。
reset_default_graph(...)：清除默认图形堆栈并重置全局默认图形。
reshape(...)：重塑张量。
reverse(...)：反转张量的特定尺寸。
reverse_sequence(...)：反转可变长度切片。
reverse_v2(...)：反转张量的特定尺寸。
rint(...)：返回最接近x的逐元素整数。
round(...)：将张量的值按元素逐行舍入为最接近的整数。
rsqrt(...)：计算x元素的平方根的倒数。
saturate_cast(...)：执行的安全饱和投value来dtype。
scalar_mul(...)：将标量乘以a Tensor或IndexedSlices对象。
scan(...)：扫描在elems尺寸0上解压缩的张量列表。
scatter_add(...)：向引用的变量添加稀疏更新resource。
scatter_div(...)：通过稀疏更新划分变量引用。
scatter_max(...)：使用该max操作将稀疏更新减少为变量引用。
scatter_min(...)：使用该min操作将稀疏更新减少为变量引用。
scatter_mul(...)：将稀疏更新乘以变量引用。
scatter_nd(...)：据说，分散updates成一个新的张量indices。
scatter_nd_add(...)：对变量中的单个值或切片应用稀疏加法。
scatter_nd_sub(...)：在updates各个值或切片之间应用稀疏减法
scatter_nd_update(...)：将稀疏应用于updates变量中的单个值或切片。
scatter_sub(...)：将稀疏更新减去变量引用。
scatter_update(...)：将稀疏更新应用于变量引用。
segment_max(...)：计算张量段的最大值。
segment_mean(...)：计算张量段的平均值。
segment_min(...)：计算张量段的最小值。
segment_prod(...)：沿张量的片段计算产品。
segment_sum(...)：计算张量段的总和。
self_adjoint_eig(...)：计算一批自伴随矩阵的特征分解。
self_adjoint_eigvals(...)：计算一个或多个自伴随矩阵的特征值。
sequence_mask(...)：返回表示每个单元格的前N个位置的掩码张量。
serialize_many_sparse(...)：序列化N-minibatch SparseTensor到[N, 3] Tensor。
serialize_sparse(...)：SparseTensor将a 序列化为3向量（1-D Tensor）对象。
serialize_tensor(...)：将Tensor转换为序列化的TensorProto原型。
set_random_seed(...)：设置图级随机种子。
setdiff1d(...)：计算两个数字或字符串列表之间的差异。
shape(...)：返回张量的形状。
shape_n(...)：返回张量的形状。
sigmoid(...)：计算x元素方式的sigmoid 。
sign(...)：返回数字符号的元素指示。
sin(...)：计算x元素的罪。
sinh(...)：计算x元素的双曲正弦值。
size(...)：返回张量的大小。
slice(...)：从张量中提取切片。
space_to_batch(...)：SpaceToBatch用于T型的4-D张量
space_to_batch_nd(...)：SpaceToBatch用于T类型的ND张量
space_to_depth(...)：T型张量的SpaceToDepth：
sparse_add(...)：添加两个张量，每个至少有一个是张量SparseTensor。
sparse_concat(...)：连接SparseTensor指定维度的列表。（不赞成的参数）
sparse_fill_empty_rows(...)：SparseTensor使用默认值填充输入2-D中的空行。
sparse_mask(...)：面具元素IndexedSlices。
sparse_matmul(...)：矩阵“b”乘以矩阵“a”。
sparse_maximum(...)：返回两个SparseTensors的元素最大值。
sparse_merge(...)：将一批要素ID和值合并为一个SparseTensor。
sparse_minimum(...)：返回两个SparseTensors的元素分钟。
sparse_placeholder(...)：插入一个占位符，表示将始终输入的稀疏张量。
sparse_reduce_max(...)：计算SparseTensor维度的元素最大值。
sparse_reduce_max_sparse(...)：计算SparseTensor维度的元素最大值。
sparse_reduce_sum(...)：计算SparseTensor的维度之间的元素总和。
sparse_reduce_sum_sparse(...)：计算SparseTensor的维度之间的元素总和。
sparse_reorder(...)：重新排序SparseTensor为规范的行主要排序。
sparse_reset_shape(...)：重置SparseTensor具有索引和值的a的形状不变。
sparse_reshape(...)：重塑a SparseTensor以表示新的密集形状中的值。
sparse_retain(...)：保留a中指定的非空值SparseTensor。
sparse_segment_mean(...)：计算张量的稀疏段的平均值。
sparse_segment_sqrt_n(...)：计算张量的稀疏段除以sqrt（N）的总和。
sparse_segment_sum(...)：计算张量的稀疏段的总和。
sparse_slice(...)：SparseTensor根据start和`大小切片a 。
sparse_softmax(...)：将softmax应用于批量ND SparseTensor。
sparse_split(...)：将a拆分SparseTensor为num_split张量axis。（不赞成的参数）
sparse_tensor_dense_matmul(...)：通过密集矩阵“B”将SparseTensor（等级2）乘以“A”。
sparse_tensor_to_dense(...)：将a SparseTensor转换为密集张量。
sparse_to_dense(...)：将稀疏表示转换为密集张量。
sparse_to_indicator(...)：将一个SparseTensorid转换为一个密集的bool指标张量。
sparse_transpose(...)：转置一个 SparseTensor
split(...)：将张量分裂为子张量。
sqrt(...)：计算x元素的平方根。
square(...)：计算x元素的平方。
squared_difference(...)：以元素方式返回（x - y）（x - y）。
squeeze(...)：从张量的形状中移除尺寸为1的尺寸。（不赞成的参数）
stack(...)：R将一个等级(R+1)张量列表堆叠成一个等级 - 张量。
stop_gradient(...)：停止渐变计算。
strided_slice(...)：提取张量的张量切片（广义python数组索引）。
string_join(...)：将给定的字符串张量列表中的字符串连接成一个张量;
string_split(...)：拆分source基于delimitera的元素SparseTensor。
string_strip(...)：从Tensor中删除前导和尾随空格。
string_to_hash_bucket(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_hash_bucket_fast(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_hash_bucket_strong(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_number(...)：将输入Tensor中的每个字符串转换为指定的数字类型。
substr(...)：从Tensor字符串返回子字符串。
subtract(...)：返回x - y元素。
svd(...)：计算一个或多个矩阵的奇异值分解。
tables_initializer(...)：返回初始化默认图形的所有表的Op。
tan(...)：计算x元素的tan。
tanh(...)：计算x元素的双曲正切值。
tensordot(...)：沿指定轴张紧a和b的收缩。
tile(...)：通过平铺给定的张量构造张量。
timestamp(...)：提供自纪元以来的时间，以秒为单位。
to_bfloat16(...)：将张量转换为类型bfloat16。
to_complex128(...)：将张量转换为类型complex128。
to_complex64(...)：将张量转换为类型complex64。
to_double(...)：将张量转换为类型float64。
to_float(...)：将张量转换为类型float32。
to_int32(...)：将张量转换为类型int32。
to_int64(...)：将张量转换为类型int64。
trace(...)：计算张量的轨迹x。
trainable_variables(...)：返回使用创建的所有变量trainable=True。
transpose(...)：转置a。根据尺寸置换尺寸perm。
truediv(...)：将x / y元素分开（使用Python 3除法运算符语义）。
truncated_normal(...)：从截断的正态分布输出随机值。
truncatediv(...)：返回整数类型的x / y元素。
truncatemod(...)：返回除法元素的余数。这样就模拟了C语义
tuple(...)：集团张力在一起。
unique(...)：在1-D张量中找到独特的元素。
unique_with_counts(...)：在1-D张量中找到独特的元素。
unravel_index(...)：将平面索引或平面索引数组转换为元组
unsorted_segment_max(...)：计算张量段的最大值。
unsorted_segment_mean(...)：计算张量段的平均值。
unsorted_segment_min(...)：计算张量段的最小值。
unsorted_segment_prod(...)：沿张量的片段计算产品。
unsorted_segment_sqrt_n(...)：计算张量的段除以sqrt（N）的总和。
unsorted_segment_sum(...)：计算张量段的总和。
unstack(...)：将等级R张量的给定维度解包为等级张(R-1)量。
variable_axis_size_partitioner(...)：获取VariableScope的分区程序以保留下面的分片max_shard_bytes。
variable_op_scope(...)：不推荐使用：用于定义创建变量的op的上下文管理器。
variables_initializer(...)：返回初始化变量列表的Op。
verify_tensor_all_finite(...)：断言张量不包含任何NaN或Inf。
where(...)：从x或返回元素y，具体取决于condition。
while_loop(...)：body条件cond为真时重复。
write_file(...)：以输入文件名将内容写入文件。以递归方式创建文件
zeros(...)：创建一个张量，所有元素都设置为零。
zeros_like(...)：创建一个张量，所有元素都设置为零。
zeta(...)：计算Hurwitz zeta函数 ζ（X，q）。
其他成员
AUTO_REUSE
COMPILER_VERSION
CXX11_ABI_FLAG
GIT_VERSION
GRAPH_DEF_VERSION
GRAPH_DEF_VERSION_MIN_CONSUMER
GRAPH_DEF_VERSION_MIN_PRODUCER
MONOLITHIC_BUILD
QUANTIZED_DTYPES
VERSION
__all__
__compiler_version__
__cxx11_abi_flag__
__git_version__
__monolithic_build__
__version__
bfloat16
bool
complex128
complex64
double
float16
float32
float64
half
int16
int32
int64
int8
newaxis
qint16
qint32
qint8
quint16
quint8
resource
string
uint16
uint32
uint64
uint8
variant
模块：tf.app
定义于tensorflow/app/__init__.py。
通用入口点脚本。
模块
flagsmodule：导入absl.flags的路由器。请参阅https://github.com/abseil/abseil-py。
功能
run(...)：使用可选的'main'函数和'argv'列表运行程序。
模块：tf.bitwise
定义于tensorflow/bitwise/__init__.py。
操作整数的二进制表示的操作。
功能
bitwise_and(...)：按元素计算按位和x和y。
bitwise_or(...)：按元素计算位或中x和y。
bitwise_xor(...)：按元素计算按位异或x和y。
invert(...)：按元素翻转所有位。
left_shift(...)：按元素计算的按位左移x和y。
right_shift(...)：按元素计算的按位右移x和y。
模块：tf.compat
定义于tensorflow/compat/__init__.py。
Python 2与3兼容性的函数。
转换例程
除了下面的函数，还as_str可以将对象转换为str。
类型
兼容性模块还提供以下类型：
bytes_or_text_typescomplex_typesintegral_typesreal_types
功能
as_bytes(...)：bytes使用utf-8编码将字节或unicode转换为文本。
as_str(...)：bytes使用utf-8编码将字节或unicode转换为文本。
as_str_any(...)：转换为stras str(value)，但as_str用于bytes。
as_text(...)：将给定参数作为unicode字符串返回。
path_to_str(...)：返回对象的文件系统路径表示PathLike，否则返回原样。
其他成员
bytes_or_text_types
complex_types
integral_types
real_types
模块：tf.contrib
定义于tensorflow/contrib/__init__.py。
contrib模块包含volatile或实验代码。
模块
all_reduce module：All-reduce实现。
batching module：与批处理相关的Ops和模块。
bayesflow module：用于表示贝叶斯计算的Ops。
bigtable module：TensorFlow的Cloud Bigtable Client。
checkpoint module：用于处理基于对象的检查点的工具。
cloud 模块：云操作模块。
cluster_resolver module：Cluster Resolvers的标准导入。
coder 模块：数据压缩工具。
compiler module：用于控制Tensorflow / XLA JIT编译器的模块。
constrained_optimization module：用于在TensorFlow中执行约束优化的库。
copy_graph module：在图形之间复制元素的函数。
crf 模块：线性链CRF层。
cudnn_rnn 模块：融合Cudnn RNN模型的操作。
data 模块：用于构建输入管道的实验API。
decision_trees module：张量流中基于树的模型的共享表示。
deprecated module：已弃用的tf.X_summary操作的非核心别名。
distribute module：TF的分布式计算库的原型。
distributions module：表示统计分布的类和使用它们的操作。
eager 模块：TensorFlow Eager执行原型。
estimator 模块：实验工具re：tf.estimator。*。
factorization 模块：与分解相关的Ops和模块。
feature_column module：tf.feature_column的实验工具。
ffmpeg 模块：使用FFmpeg处理音频。
framework 模块：框架实用程序。
gan module：TFGAN是一个用于培训和评估GAN的轻量级库。
graph_editor module：TensorFlow Graph Editor。
grid_rnn module：GridRNN单元格
image module：用于图像处理的操作。
input_pipeline module：与input_pipeline相关的Ops和模块。
integrate 模块：集成和ODE求解器。
keras 模块：Keras API的实现意味着是TensorFlow的高级API。
kernel_methods module：在TensorFlow中启用显式内核方法的Ops和估算器。
kfac 模块：Kronecker因子近似曲率优化器。
labeled_tensor module：TensorFlow的标签。
layers 模块：用于构建神经网络层，正则化器，摘要等的操作。
learn module：用于学习的高级API（DEPRECATED）。
legacy_seq2seq module：用于在TensorFlow中创建序列到序列模型的过时库。
linalg 模块：线性代数库。
linear_optimizer 模块：用于训练线性模型的Ops。
lite module：TensorFlow Lite工具助手功能。
lookup module：用于查找操作的Ops。
losses 模块：用于构建神经网络损失的操作。
memory_stats module：用于内存统计的Ops。
meta_graph_transform module：用于将Graph Transform工具应用于MetaGraphDef的实用程序。
metrics module：用于评估指标和摘要统计的操作。
mixed_precision 模块：用于混合精确训练的库。
model_pruning module：tensorflow中的模型修剪实现。
nccl module：使用NVIDIA nccl集合操作的函数。
nn module：tf.nn中ops变体的模块。
opt module：包含优化例程的模块。
optimizer_v2 模块：Optimizer的分布感知版本。
periodic_resample module：periodic_resample使用的自定义op。
predictormodule：Predictors的模块。
proto 模块：与proto相关的Ops和模块。
quantization module：用于构建量化模型的操作。
quantize module：用于重写量化训练图形的函数。
receptive_field module：在tf.contrib.receptive_field的API中声明函数的模块。
recurrent 模块：循环计算库。
reduce_slice_ops 模块：按片减少
remote_fused_graph 模块：远程融合图操作python库。
resampler 模块：与重采样器相关的操作和模块。
rnn 模块：RNN信元和附加的RNN操作。
rpc module：与RPC相关的Ops和模块。
saved_model module：SavedModel contrib支持。
seq2seq 模块：用于构建神经网络seq2seq解码器和丢失的操作。
signal 模块：信号处理操作。
slim module：Slim是contrib函数，示例和模型的接口。
solvers module：用于表示贝叶斯计算的Ops。
sparsemax module：实现sparsemax和sparsemax损失的模块，参见[1]。
specs module：Init文件，方便访问所有规格操作。
staging module：包含StagingArea的contrib模块。
stat_summarizer module：公开StatSummarizer实用程序类的Python包装器。
stateless 模块：将种子作为张量输入的无状态随机运算。
summary module：TensorFlow Summary API v2。
tensor_forest module：tensorflow中的随机森林实现。
tensorboard module：包含volatile或实验代码的tensorboard模块。
testing 模块：测试实用程序。
tfprof module：tfprof是一个分析TensorFlow模型各个方面的工具。
timeseries module：TensorFlow（TFTS）中的时间序列库。
tpu 模块：与Tensor Processing Units相关的Ops。
training 模块：培训和输入实用程序。
util 模块：用于处理Tensors的实用程序。
模块：tf.data
定义于tensorflow/data/__init__.py。
tf.data.Dataset 输入管道的API。
有关概述，请参阅导入数据。
类
class Dataset：表示可能很大的元素集。
class FixedLengthRecordDataset：Dataset来自一个或多个二进制文件的固定长度记录的A.
class Iterator：表示迭代的状态Dataset。
class TFRecordDataset：Dataset包含来自一个或多个TFRecord文件的记录。
class TextLineDataset：Dataset包含来自一个或多个文本文件的行。
模块：tf.debugging
定义于tensorflow/debugging/__init__.py。
tf.debugging名称空间的公共API。
功能
check_numerics(...)：检查NaN和Inf值的张量。
is_finite(...)：返回x的哪些元素是有限的。
is_inf(...)：返回x的哪些元素是Inf。
is_nan(...)：返回x的哪些元素是NaN。
模块：tf.distributions
定义于tensorflow/distributions/__init__.py。
TensorFlow分发对象和帮助程序的核心模块。
类
class Bernoulli：伯努利分布。
class Beta：Beta发行版。
class Categorical：分类分发。
class Dirichlet：Dirichlet分布。
class DirichletMultinomial：Dirichlet-Multinomial化合物分布。
class Distribution：通用概率分布基类。
class Exponential：指数分布。
class Gamma：Gamma分布。
class Laplace：具有位置loc和scale参数的拉普拉斯分布。
class Multinomial：多项分布。
class Normal：具有位置loc和scale参数的正态分布。
class RegisterKL：Decorator注册KL分歧实现函数。
class ReparameterizationType：此类的实例表示如何重新参数化采样。
class StudentT：学生的t分布。
class Uniform：具有均匀分布low和high参数。
功能
kl_divergence(...)：获得KL-divergence KL（distribution_a || distribution_b）。
其他成员
FULLY_REPARAMETERIZED
NOT_REPARAMETERIZED
模块：tf.dtypes
模块：tf.errors
定义于tensorflow/errors/__init__.py。
TensorFlow错误的异常类型。
类
class AbortedError：操作已中止，通常是由于并发操作。
class AlreadyExistsError：当我们尝试创建的实体已存在时引发。
class CancelledError：取消操作或步骤时触发。
class DataLossError：遇到不可恢复的数据丢失或损坏时引发。
class DeadlineExceededError：在操作完成之前截止日期到期时引发。
class FailedPreconditionError：操作被拒绝，因为系统未处于执行状态。
class InternalError：系统遇到内部错误时引发。
class InvalidArgumentError：当操作收到无效参数时引发。
class NotFoundError：在找不到请求的实体（例如，文件或目录）时引发。
class OpError：TensorFlow执行失败时引发的一般错误。
class OutOfRangeError：当操作迭代超过有效输入范围时引发。
class PermissionDeniedError：当调用者没有运行操作的权限时触发。
class ResourceExhaustedError：有些资源已经用尽。
class UnauthenticatedError：请求没有有效的身份验证凭据。
class UnavailableError：当运行时当前不可用时引发。
class UnimplementedError：未执行操作时引发。
class UnknownError： 未知错误。
class raise_exception_on_not_ok_status：用于检查C API状态的上下文管理器。
功能
error_code_from_exception_type(...)
exception_type_from_error_code(...)
其他成员
ABORTED
ALREADY_EXISTS
CANCELLED
DATA_LOSS
DEADLINE_EXCEEDED
FAILED_PRECONDITION
INTERNAL
INVALID_ARGUMENT
NOT_FOUND
OK
OUT_OF_RANGE
PERMISSION_DENIED
RESOURCE_EXHAUSTED
UNAUTHENTICATED
UNAVAILABLE
UNIMPLEMENTED
UNKNOWN
模块：tf.estimator
定义于tensorflow/python/estimator/api/estimator/__init__.py。
Estimator：用于处理模型的高级工具。
模块
export module：导出Estimator的实用方法。
inputs module：创建简单input_fns的实用方法。
类
class BaselineClassifier：可以建立简单基线的分类器。
class BaselineRegressor：可以建立简单基线的回归量。
class BestExporter：此类导出最佳模型的服务图和检查点。
class BoostedTreesClassifier：Tensorflow Boosted Trees模型的分类器。
class BoostedTreesRegressor：Tensorflow Boosted Trees模型的回归量。
class DNNClassifier：TensorFlow DNN模型的分类器。
class DNNLinearCombinedClassifier：TensorFlow Linear和DNN的估算器加入了分类模型。
class DNNLinearCombinedRegressor：TensorFlow Linear和DNN的估算器加入了回归模型。
class DNNRegressor：TensorFlow DNN型号的回归量。
class Estimator：Estimator类用于训练和评估TensorFlow模型。
class EstimatorSpec：从a返回的Ops和对象model_fn并传递给Estimator。
class EvalSpec：train_and_evaluate呼叫的“eval”部分的配置。
class Exporter：表示模型导出类型的类。
class FinalExporter：此类最后导出服务图和检查点。
class LatestExporter：此类定期导出服务图和检查点。
class LinearClassifier：线性分类器模型。
class LinearRegressor：TensorFlow线性回归问题的估算器。
class ModeKeys：模型模式的标准名称。
class RunConfig：此类指定Estimator运行的配置。
class TrainSpec：train_and_evaluate呼叫的“火车”部分的配置。
class VocabInfo：热门启动的词汇信息。
class WarmStartSettings：Estimators中热启动的设置。
功能
classifier_parse_example_spec(...)：为tf.parse_example生成解析规范以与分类器一起使用。
regressor_parse_example_spec(...)：为tf.parse_example生成解析规范，以与回归量一起使用。
train_and_evaluate(...)：训练和评估estimator。
模块：tf.feature_column
定义于tensorflow/feature_column/__init__.py。
tf.feature_column命名空间的公共API。
功能
bucketized_column(...)：表示离散密集输入。
categorical_column_with_hash_bucket(...)：表示通过散列设置ID的稀疏功能。
categorical_column_with_identity(...)：_CategoricalColumn返回标识值的A.
categorical_column_with_vocabulary_file(...)：_CategoricalColumn带有词汇表文件的A.
categorical_column_with_vocabulary_list(...)：_CategoricalColumn具有内存词汇表的A.
crossed_column(...)：返回用于执行分类要素交叉的列。
embedding_column(...)：_DenseColumn从稀疏的分类输入转换。
indicator_column(...)：表示给定分类列的多热表示。
input_layer(...)：Tensor根据给定返回密集的输入图层feature_columns。
linear_model(...)：返回Tensor基于给定的线性预测feature_columns。
make_parse_example_spec(...)：从输入feature_columns创建解析spec字典。
numeric_column(...)：表示实际值或数字特征。
shared_embedding_columns(...)：从稀疏，分类输入转换的密集列的列表。
weighted_categorical_column(...)：将权重值应用于a _CategoricalColumn
模块：tf.gfile
定义于tensorflow/gfile/__init__.py。
导入file_io的路由器。
类
class FastGFile：没有线程锁定的文件I / O包装器。
class GFile：没有线程锁定的文件I / O包装器。
class Open：没有线程锁定的文件I / O包装器。
功能
Copy(...)：将数据从oldpath复制到newpath。
DeleteRecursively(...)：递归删除dirname下的所有内容。
Exists(...)：确定路径是否存在。
Glob(...)：返回与给定模式匹配的文件列表。
IsDirectory(...)：返回路径是否是目录。
ListDirectory(...)：返回目录中包含的条目列表。
MakeDirs(...)：创建目录和所有父/中间目录。
MkDir(...)：创建名为“dirname”的目录。
Remove(...)：删除位于'filename'的文件。
Rename(...)：重命名或移动文件/目录。
Stat(...)：返回给定路径的文件统计信息。
Walk(...)：目录的递归目录树生成器。
模块：tf.graph_util
定义于tensorflow/graph_util/__init__.py。
帮助操纵python中的张量图。
功能
convert_variables_to_constants(...)：用相同值的常量替换图中的所有变量。
extract_sub_graph(...)：提取可以到达'dest_nodes'中任何节点的子图。
must_run_on_cpu(...)：如果给定的node_def必须在CPU上运行，则返回True，否则返回False。
remove_training_nodes(...)：修剪推断不需要的节点。
tensor_shape_from_node_def_name(...)：方便功能，从NodeDef的输入字符串中获取形状。
模块：tf.image
定义于tensorflow/image/__init__.py。
图像处理和解码操作。
请参阅图像指南。
类
功能
adjust_brightness(...)：调整RGB或灰度图像的亮度。
adjust_contrast(...)：调整RGB或灰度图像的对比度。
adjust_gamma(...)：对输入图像执行Gamma校正。
adjust_hue(...)：调整RGB图像的色调。
adjust_jpeg_quality(...)：调整RGB图像的jpeg编码质量。
adjust_saturation(...)：调整RGB图像的饱和度。
central_crop(...)：裁剪图像的中心区域。
convert_image_dtype(...)：转换image为dtype，根据需要缩放其值。
crop_and_resize(...)：从输入图像张量中提取裁剪并调整它们的大小。
crop_to_bounding_box(...)：将图像裁剪到指定的边界框。
decode_and_crop_jpeg(...)：解码并将JPEG编码的图像裁剪为uint8张量。
decode_bmp(...)：将BMP编码图像的第一帧解码为uint8张量。
decode_gif(...)：将GIF编码图像的第一帧解码为uint8张量。
decode_image(...)：便利功能decode_bmp，decode_gif，decode_jpeg，
decode_jpeg(...)：将JPEG编码的图像解码为uint8张量。
decode_png(...)：将PNG编码的图像解码为uint8或uint16张量。
draw_bounding_boxes(...)：在一批图像上绘制边界框。
encode_jpeg(...)：JPEG编码图像。
encode_png(...)：PNG编码图像。
extract_glimpse(...)：从输入张量中提取一瞥。
extract_image_patches(...)：patches从images“深度”输出维度中提取并放入它们。
extract_jpeg_shape(...)：提取JPEG编码图像的形状信息。
flip_left_right(...)：水平翻转图像（从左到右）。
flip_up_down(...)：垂直翻转图像（颠倒）。
grayscale_to_rgb(...)：将一个或多个图像从灰度转换为RGB。
hsv_to_rgb(...)：将一个或多个图像从HSV转换为RGB。
image_gradients(...)：返回每个颜色通道的图像渐变（dy，dx）。
is_jpeg(...)：便捷功能，用于检查'内容'是否对JPEG图像进行编码。
non_max_suppression(...)：贪婪地按分数的降序选择边界框的子集。
non_max_suppression_overlaps(...)：贪婪地按分数的降序选择边界框的子集。
pad_to_bounding_box(...)：image使用零填充到指定的height和width。
per_image_standardization(...)：线性缩放image以具有零均值和单位范数。
psnr(...)：返回a和b之间的峰值信噪比。
random_brightness(...)：通过随机因素调整图像的亮度。
random_contrast(...)：通过随机因子调整图像的对比度。
random_flip_left_right(...)：水平随机翻转图像（从左到右）。
random_flip_up_down(...)：垂直翻转图像（颠倒）。
random_hue(...)：通过随机因子调整RGB图像的色调。
random_jpeg_quality(...)：随机更改jpeg编码质量以诱导jpeg噪声。
random_saturation(...)：通过随机因子调整RGB图像的饱和度。
resize_area(...)：调整images为size使用区域插值。
resize_bicubic(...)：调整images为size使用双三次插值。
resize_bilinear(...)：调整images为size使用双线性插值。
resize_image_with_crop_or_pad(...)：裁剪和/或将图像填充到目标宽度和高度。
resize_image_with_pad(...)：调整图像的大小并将其填充到目标宽度和高度。
resize_images(...)：调整大小images以size使用指定的method。
resize_nearest_neighbor(...)：调整images为size使用最近邻插值。
rgb_to_grayscale(...)：将一个或多个图像从RGB转换为灰度。
rgb_to_hsv(...)：将一个或多个图像从RGB转换为HSV。
rgb_to_yiq(...)：将一个或多个图像从RGB转换为YIQ。
rgb_to_yuv(...)：将一个或多个图像从RGB转换为YUV。
rot90(...)：逆时针旋转图像90度。
sample_distorted_bounding_box(...)：为图像生成单个随机扭曲的边界框。
sobel_edges(...)：返回一个持有Sobel边缘图的张量。
ssim(...)：计算img1和img2之间的SSIM索引。
ssim_multiscale(...)：计算img1和img2之间的MS-SSIM。
total_variation(...)：计算并返回一个或多个图像的总变差。
transpose_image(...)：通过交换高度和宽度尺寸来转置图像。
yiq_to_rgb(...)：将一个或多个图像从YIQ转换为RGB。
yuv_to_rgb(...)：将一个或多个图像从YUV转换为RGB。
模块：tf.initializers
定义于tensorflow/initializers/__init__.py。
tf.initializers命名空间的公共API。
类
class constant：初始化程序，生成具有常量值的张量。
class identity：初始化程序，生成单位矩阵。
class ones：生成张量初始化为1的初始化程序。
class orthogonal：初始化程序，生成正交矩阵。
class random_normal：初始化程序，生成具有正态分布的张量。
class random_uniform：初始化程序，生成具有均匀分布的张量。
class truncated_normal：初始化程序，生成截断的正态分布。
class uniform_unit_scaling：初始化程序，生成张量而不缩放方差。
class variance_scaling：初始化程序能够使其比例适应权重张量的形状。
class zeros：生成张量初始化为0的初始化程序。
功能
global_variables(...)：返回初始化全局变量的Op。
local_variables(...)：返回初始化所有局部变量的Op。
variables(...)：返回初始化变量列表的Op。
模块：tf.io
tf.io名称空间的公共API。
功能
decode_base64(...)：解码Web安全base64编码的字符串。
decode_compressed(...)：解压缩字符串。
decode_json_example(...)：将JSON编码的示例记录转换为二进制协议缓冲区字符串。
decode_raw(...)：将字符串的字节重新解释为数字向量。
encode_base64(...)：将字符串编码为web-safe base64格式。
matching_files(...)：返回与一个或多个glob模式匹配的文件集。
parse_tensor(...)：将序列化的tensorflow.TensorProto原型转换为Tensor。
read_file(...)：读取并输出输入文件名的全部内容。
write_file(...)：以输入文件名将内容写入文件。以递归方式创建文件
模块：tf.keras
定义于tensorflow/keras/__init__.py。
Keras API的实现意味着TensorFlow的高级API。
keras.io提供详细的文档和用户指南 。
模块
activations 模块：内置激活功能。
applications 模块：Keras应用程序是具有预先训练的权重的固定架构。
backend 模块：Keras后端API。
callbacks module：回调：在模型训练期间在某些点调用的实用程序。
constraints module：Constraints：对权重值施加约束的函数。
datasets module：Keras内置数据集。
estimator 模块：Keras估算器API。
initializers module：Keras初始化类（很快将被核心TF初始化器替换）。
layers 模块：Keras层API。
losses 模块：内置丢失功能。
metrics 模块：内置指标。
models module：模型克隆代码，以及与模型相关的API条目。
optimizers module：内置优化器类。
preprocessing 模块：Keras数据预处理工具。
regularizers 模块：内置正则化器。
utils 模块：Keras实用程序。
wrappers module：Keras模型的包装器，提供与其他框架的兼容性。
类
class Model：Model将图层分组为具有训练和推理功能的对象。
class Sequential：线性堆叠层。
功能
Input(...)：Input()用于实例化Keras张量。
其他成员
__version__
模块：tf.layers
定义于tensorflow/layers/__init__.py。
tf.layers命名空间的公共API。
类
class AveragePooling1D：1D输入的平均池层。
class AveragePooling2D：2D输入的平均合并层（例如图像）。
class AveragePooling3D：3D输入的平均合并层（例如卷）。
class BatchNormalization：来自http://arxiv.org/abs/1502.03167的批量标准化层。
class Conv1D：1D卷积层（例如，时间卷积）。
class Conv2D：2D卷积层（例如，图像上的空间卷积）。
class Conv2DTranspose：转置的2D卷积层（有时称为2D解卷积）。
class Conv3D：3D卷积层（例如，卷上的空间卷积）。
class Conv3DTranspose：转置3D卷积层（有时称为3D解卷积）。
class Dense：密集连接的图层类。
class Dropout：将Dropout应用于输入。
class Flatten：在保留批轴（轴0）的同时展平输入张量。
class InputSpec：指定图层的每个输入的ndim，dtype和形状。
class Layer：基础层类。
class MaxPooling1D：1D输入的最大池化层。
class MaxPooling2D：2D输入的最大池化层（例如图像）。
class MaxPooling3D：3D输入的最大池化层（例如卷）。
class SeparableConv1D：深度可分离的1D卷积。
class SeparableConv2D：深度可分的2D卷积。
功能
average_pooling1d(...)：1D输入的平均池层。
average_pooling2d(...)：2D输入的平均合并层（例如图像）。
average_pooling3d(...)：3D输入的平均合并层（例如卷）。
batch_normalization(...)：批处理规范化层的功能接口。
conv1d(...)：1D卷积层的功能接口（例如，时间卷积）。
conv2d(...)：2D卷积层的功能接口。
conv2d_transpose(...)：转置2D卷积层的功能接口。
conv3d(...)：3D卷积层的功能接口。
conv3d_transpose(...)：转置3D卷积层的功能接口。
dense(...)：密集连接层的功能接口。
dropout(...)：将Dropout应用于输入。
flatten(...)：在保留批轴（轴0）的同时展平输入张量。
max_pooling1d(...)：1D输入的最大池化层。
max_pooling2d(...)：2D输入的最大池化层（例如图像）。
max_pooling3d(...)：3D输入的最大池化层（例如卷）。
separable_conv1d(...)：深度可分离1D卷积层的功能接口。
separable_conv2d(...)：深度可分离2D卷积层的功能接口。
模块：tf.linalg
定义于tensorflow/linalg/__init__.py。
线性代数的运算。
类
class LinearOperator：定义[批量]线性运算符[s]的基类。
class LinearOperatorBlockDiag：将一个或多个组合LinearOperators到块对角矩阵中。
class LinearOperatorCirculant：LinearOperator表现得像一个循环矩阵。
class LinearOperatorCirculant2D：LinearOperator表现得像一个块循环矩阵。
class LinearOperatorCirculant3D：LinearOperator表现得像嵌套块循环矩阵。
class LinearOperatorComposition：组成一个或多个LinearOperators。
class LinearOperatorDiag：LinearOperator表现得像[批量]方形对角矩阵。
class LinearOperatorFullMatrix：LinearOperator包装[批处理]矩阵。
class LinearOperatorIdentity：LinearOperator表现得像[批量]方形单位矩阵。
class LinearOperatorKronecker：两个之间的Kronecker产品LinearOperators。
class LinearOperatorLowRankUpdate：Perturb a LinearOperator排名K更新。
class LinearOperatorLowerTriangular：LinearOperator表现得像[批量]方形下三角矩阵。
class LinearOperatorScaledIdentity：LinearOperator表现为缩放的[批处理]单位矩阵A = c I。
功能
adjoint(...)：转换最后两个维度和共轭张量matrix。
band_part(...)：复制张量设置每个最内层矩阵*带外的所有内容
cholesky(...)：计算一个或多个方阵的Cholesky分解。
cholesky_solve(...)：A X = RHS给出Cholesky因子分解，求解线性方程组。
cross(...)：计算成对交叉乘积。
det(...)：计算一个或多个方阵的行列式。
diag(...)：返回具有给定批处理对角线值的批处理对角线张量。
diag_part(...)：返回批处理张量的批处理对角线部分。
eigh(...)：计算一批自伴随矩阵的特征分解。
eigvalsh(...)：计算一个或多个自伴随矩阵的特征值。
einsum(...)：任意维度的张量之间的广义收缩。
expm(...)：计算一个或多个方阵的矩阵指数：
eye(...)：构造一个单位矩阵或一批矩阵。
inv(...)：计算一个或多个平方可逆矩阵或它们的倒数
logdet(...)：计算埃尔米特正定矩阵的行列式的对数。
logm(...)：计算一个或多个方阵的矩阵对数：
lstsq(...)：解决一个或多个线性最小二乘问题。
norm(...)：计算向量，矩阵和张量的范数。（不赞成的参数）
qr(...)：计算一个或多个矩阵的QR分解。
set_diag(...)：返回具有新批处理对角线值的批处理矩阵张量。
slogdet(...)：计算行列式的绝对值的符号和日志
solve(...)：求解线性方程组。
svd(...)：计算一个或多个矩阵的奇异值分解。
tensor_diag(...)：返回具有给定对角线值的对角线张量。
tensor_diag_part(...)：返回张量的对角线部分。
tensordot(...)：沿指定轴张紧a和b的收缩。
trace(...)：计算张量的轨迹x。
transpose(...)：转置张量的最后两个维度a。
triangular_solve(...)：求解具有上三角矩阵或下三角矩阵的线性方程组
模块：tf.logging
定义于tensorflow/logging/__init__.py。
记录和摘要操作。
功能
get_verbosity(...)：返回将生成多少日志记录输出。
log_every_n(...)：每'n'次在''级别'记录'msg％args'一次。
log_first_n(...)：仅在第一次“n”次在“级别”级别记录“msg％args”。
log_if(...)：仅在条件满足时，将'msg％args'记录在级别'级别'。
set_verbosity(...)：设置将记录的消息的阈值。
其他成员
DEBUG
ERROR
FATAL
INFO
WARN
模块：tf.losses
定义于tensorflow/losses/__init__.py。
用于神经网络的损失操作。
注意：默认情况下，所有损失都会添加到GraphKeys.LOSSES集合中。
类
class Reduction：减少损失的类型。
功能
absolute_difference(...)：在训练过程中添加绝对差值损失。
add_loss(...)：为损失集合添加外部定义的损失。
compute_weighted_loss(...)：计算加权损失。
cosine_distance(...)：在训练过程中添加余弦距离损失。（不赞成的参数）
get_losses(...)：获取loss_collection的损失列表。
get_regularization_loss(...)：获取总正规化损失。
get_regularization_losses(...)：获取正则化损失列表。
get_total_loss(...)：返回一个张量，其值代表总损失。
hinge_loss(...)：在训练过程中添加铰链损失。
huber_loss(...)：在训练过程中添加Huber Loss术语。
log_loss(...)：向训练过程添加日志丢失术语。
mean_pairwise_squared_error(...)：在训练过程中添加成对误差平方损失。
mean_squared_error(...)：在训练过程中添加平方和损失。
sigmoid_cross_entropy(...)：使用tf.nn.sigmoid_cross_entropy_with_logits创建交叉熵损失。
softmax_cross_entropy(...)：使用tf.nn.softmax_cross_entropy_with_logits_v2创建交叉熵损失。
sparse_softmax_cross_entropy(...)：使用交叉熵损失tf.nn.sparse_softmax_cross_entropy_with_logits。
模块：tf.manip
定义于tensorflow/manip/__init__.py。
操纵张量的操作员。
功能
batch_to_space_nd(...)：用于类型T的ND张量的BatchToSpace
gather_nd(...)：将切片从params具有指定形状的Tensor中收集indices。
reshape(...)：重塑张量。
reverse(...)：反转张量的特定尺寸。
roll(...)：沿轴线滚动张量的元素。
scatter_nd(...)：据说，分散updates成一个新的张量indices。
space_to_batch_nd(...)：SpaceToBatch用于T类型的ND张量
tile(...)：通过平铺给定的张量构造张量。
模块：tf.math
定义于tensorflow/math/__init__.py。
基本算术运算符。
请参阅数学指南。
功能
acos(...)：计算x元素的acos。
acosh(...)：计算x元素的反双曲余弦值。
add(...)：返回x + y元素。
asin(...)：计算x元素的asin。
asinh(...)：计算x元素的反双曲正弦值。
atan(...)：计算x元素的atan。
atan2(...)：计算y/x元素方面的反正切性，尊重参数的符号。
atanh(...)：计算x元素的反双曲正切。
bessel_i0(...)：计算x元素的Bessel i0函数。
bessel_i0e(...)：计算x元素的Bessel i0e函数。
bessel_i1(...)：计算x元素的Bessel i1函数。
bessel_i1e(...)：计算x元素的Bessel i1e函数。
betainc(...)：计算正则化的不完全β积分 一世X（一个，b）。
ceil(...)：返回不小于x的元素方向最小整数。
cos(...)：计算x元素的cos。
cosh(...)：计算x元素的双曲余弦值。
digamma(...)：计算Psi，Lgamma的导数（绝对值的对数）
equal(...)：返回（x == y）元素的真值。
erfc(...)：计算x元素的互补误差函数。
exp(...)：计算x元素的指数。 ÿ=ËX。
expm1(...)：计算x - 1元素的指数。
floor(...)：返回不大于x的元素方向最大整数。
greater(...)：以元素方式返回（x> y）的真值。
greater_equal(...)：以元素方式返回（x> = y）的真值。
igamma(...)：计算较低正则化的不完全Gamma函数Q(a, x)。
igammac(...)：计算上部正则化不完全Gamma函数Q(a, x)。
invert_permutation(...)：计算张量的逆置换。
less(...)：返回（x <y）元素的真值。
less_equal(...)：以元素方式返回（x <= y）的真值。
lgamma(...)：计算Gamma(x)元素的绝对值的对数。
log(...)：计算x元素的自然对数。
log1p(...)：计算（1 + x）元素的自然对数。
logical_and(...)：返回x和y元素的真值。
logical_not(...)：返回NOT x元素的真值。
logical_or(...)：返回x OR y元素的真值。
maximum(...)：以元素方式返回x和y的最大值（即x> y？x：y）。
minimum(...)：以元素方式返回x和y的min（即x <y？x：y）。
not_equal(...)：以元素方式返回（x！= y）的真值。
polygamma(...)：计算polygamma函数 ψ（ñ）（X）。
polyval(...)：计算多项式的元素值。
reciprocal(...)：计算x元素的倒数。
rint(...)：返回最接近x的逐元素整数。
rsqrt(...)：计算x元素的平方根的倒数。
segment_max(...)：计算张量段的最大值。
segment_mean(...)：计算张量段的平均值。
segment_min(...)：计算张量段的最小值。
segment_prod(...)：沿张量的片段计算产品。
segment_sum(...)：计算张量段的总和。
sin(...)：计算x元素的罪。
sinh(...)：计算x元素的双曲正弦值。
softplus(...)：计算softplus : log(exp(features) + 1).
softsign(...)：计算softsign : features / (abs(features) + 1).
squared_difference(...)：以元素方式返回（x - y）（x - y）。
tan(...)：计算x元素的tan。
unsorted_segment_max(...)：计算张量段的最大值。
unsorted_segment_min(...)：计算张量段的最小值。
unsorted_segment_prod(...)：沿张量的片段计算产品。
unsorted_segment_sum(...)：计算张量段的总和。
zeta(...)：计算Hurwitz zeta函数 ζ（X，q）。
模块：tf.metrics
定义于tensorflow/metrics/__init__.py。
与评估相关的指标。
功能
accuracy(...)：计算predictions匹配的频率labels。
auc(...)：通过黎曼和计算近似AUC。
average_precision_at_k(...)：计算与稀疏标签相关的预测的平均精度@ k。
false_negatives(...)：计算错误否定的总数。
false_negatives_at_thresholds(...)：在提供的阈值下计算假阴性。
false_positives(...)：总结误报的权重。
false_positives_at_thresholds(...)：在提供的阈值处计算误报。
mean(...)：计算给定值的（加权）均值。
mean_absolute_error(...)：计算标签和预测之间的平均绝对误差。
mean_cosine_distance(...)：计算标签和预测之间的余弦距离。
mean_iou(...)：计算每步平均交叉联合（mIOU）。
mean_per_class_accuracy(...)：计算每类精度的平均值。
mean_relative_error(...)：通过使用给定值进行标准化来计算平均相对误差。
mean_squared_error(...)：计算标签和预测之间的均方误差。
mean_tensor(...)：计算给定张量的逐元素（加权）均值。
percentage_below(...)：计算小于给定阈值的值的百分比。
precision(...)：计算与标签相关的预测精度。
precision_at_k(...)：计算与稀疏标签相关的预测精度@ k。
precision_at_thresholds(...)：计算对于不同的精度值thresholds上predictions。
precision_at_top_k(...)：计算与稀疏标签相关的预测精度@ k。
recall(...)：计算关于标签的预测的召回。
recall_at_k(...)：计算关于稀疏标签的预测的回忆@ k。
recall_at_thresholds(...)：针对不同的计算各种召回值thresholds上predictions。
recall_at_top_k(...)：计算关于稀疏标签的top-k预测的召回@ k。
root_mean_squared_error(...)：计算标签和预测之间的均方根误差。
sensitivity_at_specificity(...)：计算给定灵敏度的特异性。
sparse_average_precision_at_k(...)：重命名为average_precision_at_k，请改用该方法。（废弃）
sparse_precision_at_k(...)：重命名为precision_at_k，请改用该方法。（废弃）
specificity_at_sensitivity(...)：计算给定灵敏度的特异性。
true_negatives(...)：求和true_negatives的权重。
true_negatives_at_thresholds(...)：在提供的阈值下计算真阴性。
true_positives(...)：总结true_positives的权重。
true_positives_at_thresholds(...)：在提供的阈值处计算真阳性。
模块：tf.nn
用于原始神经网络（NN）操作的包装器。
模块
rnn_cell module：构建RNN Cell的模块。
功能
all_candidate_sampler(...)：生成所有类的集合。
atrous_conv2d(...)：Atrous卷积（也就是带孔洞或扩张卷积的卷积）。
atrous_conv2d_transpose(...)：转置atrous_conv2d。
avg_pool(...)：对输入执行平均池化。
avg_pool3d(...)：在输入上执行3D平均合并。
batch_norm_with_global_normalization(...)：批量标准化。
batch_normalization(...)：批量标准化。
bias_add(...)：添加bias到value。
bidirectional_dynamic_rnn(...)：创建双向递归神经网络的动态版本。
compute_accidental_hits(...)：计算sampled_candidates匹配中的位置ID true_classes。
conv1d(...)：计算给定3-D输入和滤波器张量的1-D卷积。（不推荐使用的参数）（不推荐使用的参数）
conv2d(...)：计算给定4-D input和filter张量的2-D卷积。
conv2d_backprop_filter(...)：计算相对于滤波器的卷积梯度。
conv2d_backprop_input(...)：计算相对于输入的卷积渐变。
conv2d_transpose(...)：转置conv2d。
conv3d(...)：计算给定5-D input和filter张量的3-D卷积。
conv3d_backprop_filter_v2(...)：计算相对于滤波器的3-D卷积的梯度。
conv3d_transpose(...)：转置conv3d。
convolution(...)：计算ND卷积的总和（实际上是互相关）。
crelu(...)：计算连接的ReLU。
ctc_beam_search_decoder(...)：对输入中给出的logits执行波束搜索解码。
ctc_greedy_decoder(...)：对输入（最佳路径）中给出的logits执行贪心解码。
ctc_loss(...)：计算CTC（连接主义时间分类）损失。
depthwise_conv2d(...)：深度2-D卷积。
depthwise_conv2d_native(...)：计算给定4-D input和filter张量的2-D深度卷积。
depthwise_conv2d_native_backprop_filter(...)：计算相对于滤波器的深度卷积的梯度。
depthwise_conv2d_native_backprop_input(...)：计算相对于输入的深度卷积的梯度。
dilation2d(...)：计算4-D input和3-D filter张量的灰度扩张。
dropout(...)：计算辍学率。
dynamic_rnn(...)：创建由RNNCell指定的递归神经网络cell。
elu(...)：计算指数线性：exp(features) - 1如果<0，features否则。
embedding_lookup(...)：查找ids嵌入式张量列表。
embedding_lookup_sparse(...)：计算给定ID和权重的嵌入。
erosion2d(...)：计算4-D value和3-D kernel张量的灰度侵蚀。
fixed_unigram_candidate_sampler(...)：使用提供的（固定）基本分布对一组类进行采样。
fractional_avg_pool(...)：对输入执行小数平均池。
fractional_max_pool(...)：对输入执行小数最大池。
fused_batch_norm(...)：批量标准化。
in_top_k(...)：说目标是否在最高K预测中。
l2_loss(...)：L2损失。
l2_normalize(...)：axis使用L2范数沿维度规范化。（不赞成的参数）
leaky_relu(...)：计算Leaky ReLU激活功能。
learned_unigram_candidate_sampler(...)：从培训期间学习的分布中抽取一组课程。
local_response_normalization(...)：本地响应规范化。
log_poisson_loss(...)：计算给定的对数泊松损失log_input。
log_softmax(...)：计算log softmax激活。（不赞成的参数）
log_uniform_candidate_sampler(...)：使用对数统一（Zipfian）基本分布对一组类进行采样。
lrn(...)：本地响应规范化。
max_pool(...)：对输入执行最大池化。
max_pool3d(...)：在输入上执行3D最大池化。
max_pool_with_argmax(...)：对输入执行最大池化并输出最大值和索引。
moments(...)：计算平均值和方差x。
nce_loss(...)：计算并返回噪声对比估计训练损失。
normalize_moments(...)：根据足够的统计数据计算均值和方差。
pool(...)：执行ND池操作。
quantized_avg_pool(...)：为量化类型生成输入张量的平均池。
quantized_conv2d(...)：计算给定量化4D输入和滤波器张量的2D卷积。
quantized_max_pool(...)：为量化类型生成输入张量的最大池。
quantized_relu_x(...)：计算量化整流线性X： min(max(features, 0), max_value)
raw_rnn(...)：创建RNN由RNNCell cell和循环函数指定的loop_fn。
relu(...)：计算纠正线性：max(features, 0)。
relu6(...)：计算整流线性6 : min(max(features, 0), 6).
relu_layer(...)：计算Relu（x *权重+偏差）。
safe_embedding_lookup_sparse(...)：查找嵌入结果，计算无效ID和空功能。
sampled_softmax_loss(...)：计算并返回采样的softmax训练损失。
selu(...)：计算缩放指数线性： scale * alpha * (exp(features) - 1)
separable_conv2d(...)：带可分离滤波器的2-D卷积。
sigmoid(...)：计算x元素方式的sigmoid 。
sigmoid_cross_entropy_with_logits(...)：计算给出的sigmoid cross entropy logits。
softmax(...)：计算softmax激活。（不赞成的参数）
softmax_cross_entropy_with_logits(...)：计算logits和之间的softmax交叉熵labels。（废弃）
softmax_cross_entropy_with_logits_v2(...)：计算logits和之间的softmax交叉熵labels。
softplus(...)：计算softplus : log(exp(features) + 1).
softsign(...)：计算softsign : features / (abs(features) + 1).
sparse_softmax_cross_entropy_with_logits(...)：计算logits和之间的稀疏softmax交叉熵labels。
static_bidirectional_rnn(...)：创建双向递归神经网络。
static_rnn(...)：创建由RNNCell指定的递归神经网络cell。
static_state_saving_rnn(...)：RNN接受状态保护程序进行时间截断的RNN计算。
sufficient_statistics(...)：计算平均值和方差的足够统计量x。
tanh(...)：计算x元素的双曲正切值。
top_k(...)：查找k最后一个维度的最大条目的值和索引。
uniform_candidate_sampler(...)：使用统一的基本分布对一组类进行采样。
weighted_cross_entropy_with_logits(...)：计算加权交叉熵。
weighted_moments(...)：返回频率加权平均值和方差x。
with_space_to_batch(...)：执行op空间到批处理的表示input。
xw_plus_b(...)：计算matmul（x，权重）+偏差。
zero_fraction(...)：返回零中的零分数value。
其他成员
swish
模块：tf.profiler
定义于tensorflow/profiler/__init__.py。
tf.profiler命名空间的公共API。
类
class ProfileOptionBuilder：用于Profiling API的Option Builder。
class Profiler：TensorFlow多步分析器。
功能
advise(...)：自动配置文件和建议。
profile(...)：个人资料模型。
write_op_log(...)：Log提供了'op_log'，并在下面添加其他模型信息。
模块：tf.python_io
定义于tensorflow/python_io/__init__.py。
Python函数用于直接操作TFRecord格式的文件。
请参阅Data IO（Python函数）指南。
类
class TFRecordCompressionType：记录的压缩类型。
class TFRecordOptions：用于操作TFRecord文件的选项。
class TFRecordWriter：将记录写入TFRecords文件的类。
功能
tf_record_iterator(...)：从TFRecords文件读取记录的迭代器。
模块：tf.quantization
定义于tensorflow/quantization/__init__.py。
tf.quantization命名空间的公共API。
功能
dequantize(...)：将“输入”张量反量化为浮点张量。
fake_quant_with_min_max_args(...)：假定位'输入'张量，键入float到'outputs'张量相同的类型。
fake_quant_with_min_max_args_gradient(...)：计算FakeQuantWithMinMaxArgs操作的渐变。
fake_quant_with_min_max_vars(...)：通过全局浮动标量假定量化float类型的'inputs'张量 min
fake_quant_with_min_max_vars_gradient(...)：计算FakeQuantWithMinMaxVars操作的渐变。
fake_quant_with_min_max_vars_per_channel(...)：假量化float类型的'inputs'张量和其中一个形状：[d]，
fake_quant_with_min_max_vars_per_channel_gradient(...)：计算FakeQuantWithMinMaxVarsPerChannel操作的渐变。
quantized_concat(...)：沿一个维度连接量化张量。
模块：tf.resource_loader
定义于tensorflow/resource_loader/__init__.py。
资源管理库。
功能
get_data_files_path(...)：获取与脚本共存的数据文件的直接路径。
get_path_to_datafile(...)：获取数据依赖项中指定文件的路径。
get_root_dir_with_all_resources(...)：获取包含构建规则中所有数据属性的根目录。
load_resource(...)：在给定路径上加载资源，其中path相对于tensorflow /。
readahead_file_path(...)：预读文件未实现; 只返回给定的路径。
模块：tf.saved_model
定义于tensorflow/saved_model/__init__.py。
tf.saved_model命名空间的公共API。
模块
builder module：SavedModel构建器。
constants module：SavedModel保存和恢复操作的常量。
loader module：SavedModel的加载器功能，具有密封，语言中立的输出。
main_op module：SavedModel main op。
signature_constants module：SavedModel保存和恢复操作的签名常量。
signature_def_utils module：SignatureDef实用程序功能。
tag_constants module：SavedModel中用于图形的公共标记。
utils module：SavedModel实用程序功能。
功能
simple_save(...)：构建适合服务的SavedModel的便捷功能。
模块：tf.sets
定义于tensorflow/sets/__init__.py。
Tensorflow设置操作。
功能
set_difference(...)：计算a和的最后一个维度中元素的集合差异b。
set_intersection(...)：计算设定在最后一维元件的交叉点a和b。
set_size(...)：计算沿着最后一个维度的唯一元素的数量a。
set_union(...)：计算元素集合联盟的最后一维a和b
模块：tf.sparse
定义于tensorflow/sparse/__init__.py。
稀疏张量表示。请参阅稀疏张量指南。
功能
cross(...)：从稀疏和密集张量列表生成稀疏交叉。
cross_hashed(...)：从稀疏和密集张量列表中生成散列稀疏交叉。
模块：tf.spectral
定义于tensorflow/spectral/__init__.py。
频谱运算符（例如DCT，FFT，RFFT）。
功能
dct(...)：计算1D [离散余弦变换（DCT）] [dct] input。
fft(...)：快速傅立叶变换。
fft2d(...)：2D快速傅里叶变换。
fft3d(...)：3D快速傅里叶变换。
idct(...)：计算1D [逆离散余弦变换（DCT）] [idct] input。
ifft(...)：逆快速傅里叶变换。
ifft2d(...)：逆2D快速傅里叶变换。
ifft3d(...)：逆3D快速傅里叶变换。
irfft(...)：逆实数快速傅里叶变换。
irfft2d(...)：逆2D实值快速傅里叶变换。
irfft3d(...)：逆3D实值快速傅里叶变换。
rfft(...)：实值快速傅里叶变换。
rfft2d(...)：2D实值快速傅里叶变换。
rfft3d(...)：3D实值快速傅里叶变换。
模块：tf.strings
定义于tensorflow/strings/__init__.py。
使用字符串Tensors的操作。
请参阅字符串指南。
功能
join(...)：将给定的字符串张量列表中的字符串连接成一个张量;
regex_full_match(...)：检查输入是否与正则表达式模式匹配。
regex_replace(...)：用重写替换输入中的模式匹配。
split(...)：拆分source基于sepa的元素SparseTensor。
strip(...)：从Tensor中删除前导和尾随空格。
substr(...)：从Tensor字符串返回子字符串。
to_hash_bucket(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
to_hash_bucket_fast(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
to_hash_bucket_strong(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
to_number(...)：将输入Tensor中的每个字符串转换为指定的数字类型。
模块：tf.summary
定义于tensorflow/summary/__init__.py。
tf.summary命名空间的公共API。
类
class FileWriter：将Summary协议缓冲区写入事件文件。
class FileWriterCache：缓存文件编写器。
功能
audio(...)：输出Summary带有音频的协议缓冲区。
get_summary_description(...)：给定TensorSummary node_def，检索其SummaryDescription。
histogram(...)：输出Summary带有直方图的协议缓冲区。
image(...)：输出Summary带有图像的协议缓冲区。
merge(...)：合并摘要。
merge_all(...)：合并默认图表中收集的所有摘要。
scalar(...)：输出Summary包含单个标量值的协议缓冲区。
tensor_summary(...)：输出Summary带有序列化tensor.proto 的协议缓冲区。
text(...)：总结文本数据。
模块：tf.sysconfig
定义于tensorflow/sysconfig/__init__.py。
系统配置库。
功能
get_compile_flags(...)：获取自定义运算符的编译标志。
get_include(...)：获取包含TensorFlow C ++头文件的目录。
get_lib(...)：获取包含TensorFlow框架库的目录。
get_link_flags(...)：获取自定义运算符的链接标志。
模块：tf.test
定义于tensorflow/test/__init__.py。
测试。
请参阅测试指南。
注意：是python的别名或 取决于python版本。 tf.test.mockmockunittest.mock
类
class Benchmark：为TensorFlow基准测试提供帮助程序的抽象类。
class StubOutForTesting：用于单元测试的存根方法的支持类。
class TestCase：需要测试TensorFlow的测试的基类。
功能
assert_equal_graph_def(...)：断言两个GraphDefs（大多数）是相同的。
compute_gradient(...)：计算并返回理论和数字雅可比行列式。
compute_gradient_error(...)：计算渐变错误。
create_local_cluster(...)：创建并启动本地服务器并返回关联的Server对象。
get_temp_dir(...)：返回在测试期间使用的临时目录。
gpu_device_name(...)：返回GPU设备的名称（如果可用）或空字符串。
is_built_with_cuda(...)：返回TensorFlow是否使用CUDA（GPU）支持构建。
is_gpu_available(...)：返回TensorFlow是否可以访问GPU。
main(...)：运行所有单元测试。
test_src_dir_path(...)：给定相对路径创建绝对测试srcdir路径。
模块：tf.train
定义于tensorflow/train/__init__.py。
支持培训模型。
请参阅培训指南。
模块
queue_runner module：创建线程以运行多个enqueue操作。
类
class AdadeltaOptimizer：实现Adadelta算法的优化器。
class AdagradDAOptimizer：用于稀疏线性模型的Adagrad Dual Averaging算法。
class AdagradOptimizer：实现Adagrad算法的优化器。
class AdamOptimizer：实现Adam算法的优化器。
class Checkpoint：组检查可检查对象，保存和恢复它们。
class CheckpointSaverHook：每N步或秒保存检查点。
class CheckpointSaverListener：在检查点保存之前或之后执行操作的侦听器的接口。
class ChiefSessionCreator：为一个酋长创建一个tf.Session。
class ClusterSpec：将群集表示为一组“任务”，组织为“作业”。
class Coordinator：线程协调员。
class ExponentialMovingAverage：通过使用指数衰减维持变量的移动平均值。
class FeedFnHook：运行feed_fn并相应地设置feed_dict。
class FinalOpsHook：一个Tensors在会话结束时评估的钩子。
class FtrlOptimizer：实现FTRL算法的优化器。
class GlobalStepWaiterHook：延迟执行直到全局步骤到达wait_until_step。
class GradientDescentOptimizer：优化器，实现梯度下降算法。
class LoggingTensorHook：每N个本地步骤，每N秒或结束打印给定的张量。
class LooperThread：重复运行代码的线程，可选择在计时器上运行。
class MomentumOptimizer：实现Momentum算法的优化器。
class MonitoredSession：类似会话的对象，用于处理初始化，恢复和挂钩。
class NanLossDuringTrainingError
class NanTensorHook：如果损失是NaN，监控损失张量并停止训练。
class Optimizer：优化器的基类。
class ProfilerHook：每N步或秒捕获CPU / GPU分析信息。
class ProximalAdagradOptimizer：优化器，实现Proximal Adagrad算法。
class ProximalGradientDescentOptimizer：优化器，实现近端梯度下降算法。
class QueueRunner：保存队列的入队操作列表，每个队列都在一个线程中运行。
class RMSPropOptimizer：实现RMSProp算法的优化器。
class Saver：保存和恢复变量。
class Scaffold：用于创建或收集训练模型所需的部件的结构。
class SecondOrStepTimer：定时器每N秒触发一次或每N步触发一次。
class Server：进程内TensorFlow服务器，用于分布式培训。
class SessionCreator：tf.Session的工厂。
class SessionManager：从检查点恢复并创建会话的培训助手。
class SessionRunArgs：表示要添加到Session.run()调用的参数。
class SessionRunContext：提供有关session.run()正在进行的呼叫的信息。
class SessionRunHook：挂钩以扩展对MonitoredSession.run（）的调用。
class SessionRunValues：包含结果Session.run()。
class SingularMonitoredSession：类似会话的对象，用于处理初始化，恢复和挂钩。
class StepCounterHook：钩子计算每秒的步数。
class StopAtStepHook：钩子请求在指定的步骤停止。
class SummarySaverHook：每N步保存摘要。
class Supervisor：检查点建模和计算摘要的培训助手。
class SyncReplicasOptimizer：要同步的类，聚合渐变并将它们传递给优化器。
class VocabInfo：热门启动的词汇信息。
class WorkerSessionCreator：为worker创建一个tf.Session。
功能
MonitoredTrainingSession(...)：创建一个MonitoredSession培训。
add_queue_runner(...)：QueueRunner在图表中添加一个集合。
assert_global_step(...)：Asserts global_step_tensor是一个标量int Variable或Tensor。
basic_train_loop(...)：训练模型的基本循环。
batch(...)：创建批量的张量tensors。
batch_join(...)：运行张量列表以填充队列以创建批量示例。
checkpoint_exists(...)：检查具有指定前缀的V1或V2检查点是否存在。
cosine_decay(...)：将余弦衰减应用于学习率。
cosine_decay_restarts(...)：应用余弦衰减并重新启动学习率。
create_global_step(...)：在图形中创建全局步长张量。
do_quantize_training_on_graphdef(...)：正在开发一种通用的量化方案tf.contrib.quantize。
exponential_decay(...)：将指数衰减应用于学习率。
export_meta_graph(...)：返回MetaGraphDef原型。可选择将其写入filename。
generate_checkpoint_state_proto(...)：生成检查点状态proto。
get_checkpoint_mtimes(...)：返回检查点的mtimes（修改时间戳）。
get_checkpoint_state(...)：从“检查点”文件返回CheckpointState proto。
get_global_step(...)：获得全局步长张量。
get_or_create_global_step(...)：返回并创建（如果需要）全局步长张量。
global_step(...)：帮助全球迈出的小帮手。
import_meta_graph(...)：重新创建保存在MetaGraphDefproto中的Graph 。
init_from_checkpoint(...)：使用从给定检查点加载的张量初始化当前变量。
input_producer(...)：将输出input_tensor管道的行输出到队列。
inverse_time_decay(...)：将反时限衰减应用于初始学习速率。
latest_checkpoint(...)：查找最新保存的检查点文件的文件名。
limit_epochs(...)：返回张量num_epochs时间然后引发OutOfRange错误。
linear_cosine_decay(...)：将线性余弦衰减应用于学习速率。
list_variables(...)：返回检查点中所有变量的列表。
load_checkpoint(...)：CheckpointReader找到的检查点的返回值ckpt_dir_or_file。
load_variable(...)：返回检查点中给定变量的张量值。
match_filenames_once(...)：保存匹配模式的文件列表，因此只计算一次。
maybe_batch(...)：有条件地创建基于的批量张量keep_input。
maybe_batch_join(...)：运行张量列表以有条件地填充队列以创建批次。
maybe_shuffle_batch(...)：通过随机改组条件排序的张量来创建批次。
maybe_shuffle_batch_join(...)：通过随机改组条件排列的张量来创建批次。
natural_exp_decay(...)：将自然指数衰减应用于初始学习率。
noisy_linear_cosine_decay(...)：将嘈杂的线性余弦衰减应用于学习速率。
piecewise_constant(...)：来自边界和间隔值的分段常数。
polynomial_decay(...)：将多项式衰减应用于学习速率。
range_input_producer(...)：生成队列中从0到限制1的整数。
remove_checkpoint(...)：删除给定的检查点checkpoint_prefix。
replica_device_setter(...)：返回a device function以在为副本构建Graph时使用。
sdca_fprint(...)：计算输入字符串的指纹。
sdca_optimizer(...)：分布式版本的随机双坐标上升（SDCA）优化器
sdca_shrink_l1(...)：对参数应用L1正则化收缩步骤。
shuffle_batch(...)：通过随机填充张量创建批次。
shuffle_batch_join(...)：通过随机填充张量创建批次。
slice_input_producer(...)：产生每一个切片Tensor在tensor_list。
start_queue_runners(...)：启动图中收集的所有队列运行程序。
string_input_producer(...)：将字符串（例如文件名）输出到输入管道的队列。
summary_iterator(...)：用于Event从事件文件中读取协议缓冲区的迭代器。
update_checkpoint_state(...)：更新“检查点”文件的内容。
warm_start(...)：使用给定的设置暖启动模型。
write_graph(...)：将图形原型写入文件。
模块：tfdbg
定义于tensorflow/python/debug/__init__.py。
TensorFlow调试器的公共Python API（tfdbg）。
请参阅TensorFlow调试器指南。
类
class DebugDumpDir：来自文件系统上的调试转储目录的数据集。
class DebugTensorDatum：由TensorFlow调试器（tfdbg）转储的单个张量。
class DumpingDebugHook：一个调试器挂钩，用于将调试数据转储到文件系统。
class DumpingDebugWrapperSession：调试会话包装器，将调试数据转储到文件系统。
class GradientsDebugger：渐变调试器。
class GrpcDebugHook：将调试器相关事件传输到任何grpc_debug_server的挂钩。
class GrpcDebugWrapperSession：调试会话包装器，将调试数据发送到gRPC流。
class LocalCLIDebugHook：命令行界面调试器挂钩。
class LocalCLIDebugWrapperSession：实现本地CLI的BaseDebugWrapperSession的具体子类。
class TensorBoardDebugHook：一个tfdbg挂钩，可以与TensorBoard调试器插件一起使用。
class TensorBoardDebugWrapperSession：一个tfdbg会话包装器，可以与TensorBoard调试器插件一起使用。
class WatchOptions：键入watch_fn的返回值。
功能
add_debug_tensor_watch(...)：在添加监视Tensor到RunOptions。
has_inf_or_nan(...)：张量是否包含任何不良数值的谓词。
load_tensor_from_event(...)：从事件原型加载张量。
load_tensor_from_event_file(...)：从事件文件加载张量。
reconstruct_non_debug_graph_def(...)：重建原始（非调试器修饰）分区GraphDef。
watch_graph(...)：RunOptions为TensorFlow图添加调试监视。
watch_graph_with_blacklists(...)：添加调试张量监视，黑名单节点和操作类型。
https://www.tensorflow.org/versions/master/api_docs/python/
模块：tf
将所有公共TensorFlow接口引入此模块。
模块
app module：通用入口点脚本。
bitwise module：操作整数二进制表示的操作。
compat module：Python 2与3兼容的函数。
contrib module：包含易失性或实验代码的contrib模块。
datamodule：tf.data.Dataset输入管道的API。
debugging module：tf.debugging名称空间的公共API。
distributions module：TensorFlow分发对象和帮助程序的核心模块。
dtypes module：tf.dtypes命名空间的公共API。
errors module：TensorFlow错误的异常类型。
estimator 模块：Estimator：用于处理模型的高级工具。
feature_column module：tf.feature_column命名空间的公共API。
flagsmodule：导入absl.flags的路由器。请参阅https://github.com/abseil/abseil-py。
gfile module：导入file_io的路由器。
graph_util module：帮助操作python中的张量图。
image 模块：图像处理和解码操作。
initializers module：tf.initializers命名空间的公共API。
io module：tf.io名称空间的公共API。
keras 模块：Keras API的实现意味着是TensorFlow的高级API。
layers module：tf.layers命名空间的公共API。
linalg 模块：线性代数的操作。
logging module：日志记录和摘要操作。
losses 模块：用于神经网络的损失操作。
manip module：操作张量的操作符。
math module：基本算术运算符。
metrics 模块：与评估相关的指标。
nn module：原始神经网络（NN）操作的包装器。
profiler module：tf.profiler命名空间的公共API。
python_io module：Python函数，用于直接操作TFRecord格式的文件。
pywrap_tensorflow module：TensorFlow SWIG生成的绑定的包装器。
quantization module：tf.quantization命名空间的公共API。
resource_loader 模块：资源管理库。
saved_model module：tf.saved_model命名空间的公共API。
sets module：Tensorflow设置操作。
spectral 模块：频谱运算符（例如DCT，FFT，RFFT）。
strings module：使用字符串Tensors的操作。
summary module：tf.summary命名空间的公共API。
sysconfig module：系统配置库。
test 模块：测试。
tools 模
train 模块：支持培训模型。
user_ops module：tf.user_ops命名空间的公共API。
类
class AggregationMethod：列出用于组合渐变的聚合方法的类。
class ConditionalAccumulator：用于聚合渐变的条件累加器。
class ConditionalAccumulatorBase：用于聚合渐变的条件累加器。
class DType：表示a中元素的类型Tensor。
class DeviceSpec：表示TensorFlow设备的（可能是部分的）规范。
class Dimension：表示TensorShape中一个维的值。
class FIFOQueue：以先进先出顺序使元素出列的队列实现。
class FixedLenFeature：用于解析固定长度输入要素的配置。
class FixedLenSequenceFeature：用于将可变长度输入要素解析为a的配置Tensor。
class FixedLengthRecordReader：从文件输出固定长度记录的Reader。
class GradientTape：记录自动区分操作。
class Graph：TensorFlow计算，表示为数据流图。
class GraphKeys：用于图表集合的标准名称。
class IdentityReader：将排队的工作输出为键和值的Reader。
class IndexedSlices：给定索引处的一组张量切片的稀疏表示。
class InteractiveSession：TensorFlow Session，用于交互式上下文，例如shell。
class LMDBReader：从LMDB文件输出记录的Reader。
class OpError：TensorFlow执行失败时引发的一般错误。
class Operation：表示在张量上执行计算的图形节点。
class PaddingFIFOQueue：FIFOQueue，支持通过填充批处理可变大小的张量。
class PriorityQueue：以优先顺序排列元素的队列实现。
class QueueBase: Base class for queue implementations.
class RandomShuffleQueue: A queue implementation that dequeues elements in a random order.
class ReaderBase: Base class for different Reader types, that produce a record every step.
class RegisterGradient: A decorator for registering the gradient function for an op type.
class Session: A class for running TensorFlow operations.
class SparseConditionalAccumulator: A conditional accumulator for aggregating sparse gradients.
class SparseFeature: Configuration for parsing a sparse input feature from an Example.
class SparseTensor: Represents a sparse tensor.
class SparseTensorValue: SparseTensorValue(indices, values, dense_shape)
class TFRecordReader: A Reader that outputs the records from a TFRecords file.
class Tensor: Represents one of the outputs of an Operation.
class TensorArray: Class wrapping dynamic-sized, per-time-step, write-once Tensor arrays.
class TensorShape: Represents the shape of a Tensor.
class TextLineReader: A Reader that outputs the lines of a file delimited by newlines.
class VarLenFeature: Configuration for parsing a variable-length input feature.
class Variable: See the Variables How To for a high level overview.
class VariableAggregation: Indicates how a distributed variable will be aggregated.
class VariableScope: Variable scope object to carry defaults to provide to get_variable.
class VariableSynchronization: Indicates when a distributed variable will be synced.
class WholeFileReader: A Reader that outputs the entire contents of a file as a value.
class constant_initializer: Initializer that generates tensors with constant values.
class name_scope: A context manager for use when defining a Python op.
class ones_initializer: Initializer that generates tensors initialized to 1.
class orthogonal_initializer: Initializer that generates an orthogonal matrix.
class random_normal_initializer: Initializer that generates tensors with a normal distribution.
class random_uniform_initializer: Initializer that generates tensors with a uniform distribution.
class truncated_normal_initializer: Initializer that generates a truncated normal distribution.
class uniform_unit_scaling_initializer: Initializer that generates tensors without scaling variance.
class variable_scope: A context manager for defining ops that creates variables (layers).
class variance_scaling_initializer: Initializer capable of adapting its scale to the shape of weights tensors.
class zeros_initializer: Initializer that generates tensors initialized to 0.
Functions
Assert(...): Asserts that the given condition is true.
NoGradient(...): Specifies that ops of type op_type is not differentiable.
NotDifferentiable(...): Specifies that ops of type op_type is not differentiable.
Print(...): Prints a list of tensors.
abs(...): Computes the absolute value of a tensor.
accumulate_n(...): Returns the element-wise sum of a list of tensors.
acos(...): Computes acos of x element-wise.
acosh(...): Computes inverse hyperbolic cosine of x element-wise.
add(...): Returns x + y element-wise.
add_check_numerics_ops(...): Connect a check_numerics to every floating point tensor.
add_n(...): Adds all input tensors element-wise.
add_to_collection(...): Wrapper for Graph.add_to_collection() using the default graph.
add_to_collections(...): Wrapper for Graph.add_to_collections() using the default graph.
all_variables(...): See tf.global_variables. (deprecated)
angle(...): Returns the element-wise argument of a complex (or real) tensor.
arg_max(...): Returns the index with the largest value across dimensions of a tensor. (deprecated)
arg_min(...): Returns the index with the smallest value across dimensions of a tensor. (deprecated)
argmax(...): Returns the index with the largest value across axes of a tensor. (deprecated arguments)
argmin(...): Returns the index with the smallest value across axes of a tensor. (deprecated arguments)
as_dtype(...): Converts the given type_value to a DType.
as_string(...): Converts each entry in the given tensor to strings. Supports many numeric
asin(...): Computes asin of x element-wise.
asinh(...): Computes inverse hyperbolic sine of x element-wise.
assert_equal(...): Assert the condition x == y holds element-wise.
assert_greater(...): Assert the condition x > y holds element-wise.
assert_greater_equal(...): Assert the condition x >= y holds element-wise.
assert_integer(...): Assert that x is of integer dtype.
assert_less(...): Assert the condition x < y holds element-wise.
assert_less_equal(...): Assert the condition x <= y holds element-wise.
assert_near(...): Assert the condition x and y are close element-wise.
assert_negative(...): Assert the condition x < 0 holds element-wise.
assert_non_negative(...): Assert the condition x >= 0 holds element-wise.
assert_non_positive(...): Assert the condition x <= 0 holds element-wise.
assert_none_equal(...)：断言x != y所有元素的条件成立。
assert_positive(...)：断言条件x > 0保持元素。
assert_proper_iterable(...)：静态断言值是“正确的”可迭代的。
assert_rank(...)：Assert的x排名等于rank。
assert_rank_at_least(...)：Assert的x等级等于rank或高于等级。
assert_rank_in(...)：Assert x已经排名靠前ranks。
assert_same_float_dtype(...)：根据tensors和验证并返回float类型dtype。
assert_type(...)：静态断言给定的Tensor是指定类型。
assert_variables_initialized(...)：返回一个Op来检查变量是否已初始化。
assign(...)：通过为其指定'value'来更新'ref'。
assign_add(...)：通过向其添加“值”来更新“ref”。
assign_sub(...)：通过从中减去'value'来更新'ref'。
atan(...)：计算x元素的atan。
atan2(...)：计算y/x元素方面的反正切性，尊重参数的符号。
atanh(...)：计算x元素的反双曲正切。
batch_to_space(...)：BatchToSpace用于T型的4-D张量
batch_to_space_nd(...)：用于类型T的ND张量的BatchToSpace
betainc(...)：计算正则化的不完全β积分 一世X（一个，b）。
bincount(...)：计算整数数组中每个值的出现次数。
bitcast(...)：从一种类型到另一种类型的张量，无需复制数据。
boolean_mask(...)：将boolean mask应用于张量。Numpy等价物tensor[mask]。
broadcast_dynamic_shape(...)：返回shape_x和之间的广播动态形状shape_y。
broadcast_static_shape(...)：返回shape_x和之间的广播静态形状shape_y。
broadcast_to(...)：为兼容的形状广播数组。
case(...)：创建案例操作。
cast(...)：将张量转换为新类型。
ceil(...)：返回不小于x的元素方向最小整数。
check_numerics(...)：检查NaN和Inf值的张量。
cholesky(...)：计算一个或多个方阵的Cholesky分解。
cholesky_solve(...)：A X = RHS给出Cholesky因子分解，求解线性方程组。
clip_by_average_norm(...)：将张量值剪切为最大平均L2范数。
clip_by_global_norm(...)：通过其范数之和的比率来剪切多个张量的值。
clip_by_norm(...)：将张量值剪切为最大L2范数。
clip_by_value(...)：将张量值剪切到指定的最小值和最大值。
complex(...)：将两个实数转换为复数。
concat(...)：沿一个维度连接张量。
cond(...)：true_fn()如果谓词pred为真，则返回false_fn()。（不赞成的参数）
confusion_matrix(...)：从预测和标签计算混淆矩阵。
conj(...)：返回复数的复共轭。
constant(...)：创建一个恒定的张量。
container(...)：包装器Graph.container()使用默认图形。
control_dependencies(...)：包装器Graph.control_dependencies()使用默认图形。
convert_to_tensor(...): Converts the given value to a Tensor.
convert_to_tensor_or_indexed_slices(...): Converts the given object to a Tensor or an IndexedSlices.
convert_to_tensor_or_sparse_tensor(...): Converts value to a SparseTensor or Tensor.
cos(...): Computes cos of x element-wise.
cosh(...): Computes hyperbolic cosine of x element-wise.
count_nonzero(...): Computes number of nonzero elements across dimensions of a tensor. (deprecated arguments)
count_up_to(...): Increments 'ref' until it reaches 'limit'.
create_partitioned_variables(...): Create a list of partitioned variables according to the given slicing.
cross(...): Compute the pairwise cross product.
cumprod(...): Compute the cumulative product of the tensor x along axis.
cumsum(...): Compute the cumulative sum of the tensor x along axis.
custom_gradient(...): Decorator to define a function with a custom gradient.
decode_base64(...): Decode web-safe base64-encoded strings.
decode_compressed(...): Decompress strings.
decode_csv(...): Convert CSV records to tensors. Each column maps to one tensor.
decode_json_example(...): Convert JSON-encoded Example records to binary protocol buffer strings.
decode_raw(...): Reinterpret the bytes of a string as a vector of numbers.
delete_session_tensor(...): Delete the tensor for the given tensor handle.
depth_to_space(...): DepthToSpace for tensors of type T.
dequantize(...): Dequantize the 'input' tensor into a float Tensor.
deserialize_many_sparse(...): Deserialize and concatenate SparseTensors from a serialized minibatch.
device(...): Wrapper for Graph.device() using the default graph.
diag(...): Returns a diagonal tensor with a given diagonal values.
diag_part(...): Returns the diagonal part of the tensor.
digamma(...): Computes Psi, the derivative of Lgamma (the log of the absolute value of
div(...): Divides x / y elementwise (using Python 2 division operator semantics).
divide(...): Computes Python style division of x by y.
dynamic_partition(...): Partitions data into num_partitions tensors using indices from partitions.
dynamic_stitch(...): Interleave the values from the data tensors into a single tensor.
edit_distance(...): Computes the Levenshtein distance between sequences.
einsum(...): A generalized contraction between tensors of arbitrary dimension.
enable_eager_execution(...): Enables eager execution for the lifetime of this program.
encode_base64(...): Encode strings into web-safe base64 format.
equal(...): Returns the truth value of (x == y) element-wise.
erf(...): Computes the Gauss error function of x element-wise.
erfc(...): Computes the complementary error function of x element-wise.
executing_eagerly(...): Returns True if the current thread has eager execution enabled.
exp(...): Computes exponential of x element-wise. y=ex.
expand_dims(...): Inserts a dimension of 1 into a tensor's shape. (deprecated arguments)
expm1(...): Computes exponential of x - 1 element-wise.
extract_image_patches(...): Extract patches from images and put them in the "depth" output dimension.
eye(...): Construct an identity matrix, or a batch of matrices.
fake_quant_with_min_max_args(...): Fake-quantize the 'inputs' tensor, type float to 'outputs' tensor of same type.
fake_quant_with_min_max_args_gradient(...): Compute gradients for a FakeQuantWithMinMaxArgs operation.
fake_quant_with_min_max_vars(...): Fake-quantize the 'inputs' tensor of type float via global float scalars min
fake_quant_with_min_max_vars_gradient(...): Compute gradients for a FakeQuantWithMinMaxVars operation.
fake_quant_with_min_max_vars_per_channel(...): Fake-quantize the 'inputs' tensor of type float and one of the shapes: [d],
fake_quant_with_min_max_vars_per_channel_gradient(...): Compute gradients for a FakeQuantWithMinMaxVarsPerChannel operation.
fft(...): Fast Fourier transform.
fft2d(...): 2D fast Fourier transform.
fft3d(...): 3D fast Fourier transform.
fill(...): Creates a tensor filled with a scalar value.
fixed_size_partitioner(...): Partitioner to specify a fixed number of shards along given axis.
floor(...): Returns element-wise largest integer not greater than x.
floor_div(...): Returns x // y element-wise.
floordiv(...): Divides x / y elementwise, rounding toward the most negative integer.
floormod(...): Returns element-wise remainder of division. When x < 0 xor y < 0 is
foldl(...): foldl on the list of tensors unpacked from elems on dimension 0.
foldr(...): foldr on the list of tensors unpacked from elems on dimension 0.
gather(...): Gather slices from params axis axis according to indices.
gather_nd(...): Gather slices from params into a Tensor with shape specified by indices.
get_collection(...): Wrapper for Graph.get_collection() using the default graph.
get_collection_ref(...): Wrapper for Graph.get_collection_ref() using the default graph.
get_default_graph(...): Returns the default graph for the current thread.
get_default_session(...): Returns the default session for the current thread.
get_local_variable(...): Gets an existing local variable or creates a new one.
get_seed(...): Returns the local seeds an operation should use given an op-specific seed.
get_session_handle(...): Return the handle of data.
get_session_tensor(...): Get the tensor of type dtype by feeding a tensor handle.
get_variable(...): Gets an existing variable with these parameters or create a new one.
get_variable_scope(...): Returns the current variable scope.
global_norm(...): Computes the global norm of multiple tensors.
global_variables(...): Returns global variables.
global_variables_initializer(...): Returns an Op that initializes global variables.
glorot_normal_initializer(...): The Glorot normal initializer, also called Xavier normal initializer.
glorot_uniform_initializer(...): The Glorot uniform initializer, also called Xavier uniform initializer.
gradients(...): Constructs symbolic derivatives of sum of ys w.r.t. x in xs.
greater(...): Returns the truth value of (x > y) element-wise.
greater_equal(...): Returns the truth value of (x >= y) element-wise.
group(...): Create an op that groups multiple operations.
guarantee_const(...): Gives a guarantee to the TF runtime that the input tensor is a constant.
hessians(...): Constructs the Hessian of sum of ys with respect to x in xs.
histogram_fixed_width(...): Return histogram of values.
histogram_fixed_width_bins(...): Bins the given values for use in a histogram.
identity(...): Return a tensor with the same shape and contents as input.
identity_n(...): Returns a list of tensors with the same shapes and contents as the input
ifft(...): Inverse fast Fourier transform.
ifft2d(...): Inverse 2D fast Fourier transform.
ifft3d(...): Inverse 3D fast Fourier transform.
igamma(...): Compute the lower regularized incomplete Gamma function Q(a, x).
igammac(...): Compute the upper regularized incomplete Gamma function Q(a, x).
imag(...): Returns the imaginary part of a complex (or real) tensor.
import_graph_def(...)：将图形graph_def导入当前默认值Graph。（不赞成的参数）
initialize_all_tables(...)：返回初始化默认图形的所有表的Op。（废弃）
initialize_all_variables(...)：见tf.global_variables_initializer。（废弃）
initialize_local_variables(...)：见tf.local_variables_initializer。（废弃）
initialize_variables(...)：见tf.variables_initializer。（废弃）
invert_permutation(...)：计算张量的逆置换。
is_finite(...)：返回x的哪些元素是有限的。
is_inf(...)：返回x的哪些元素是Inf。
is_nan(...)：返回x的哪些元素是NaN。
is_non_decreasing(...)：True如果x不减少则返回。
is_strictly_increasing(...)：True如果x严格增加则返回。
is_variable_initialized(...)：测试变量是否已初始化。
lbeta(...)：计算 升ñ（|乙ËŤ一个（X）|），沿着最后一个维度减少。
less(...)：返回（x <y）元素的真值。
less_equal(...)：以元素方式返回（x <= y）的真值。
lgamma(...)：计算Gamma(x)元素的绝对值的对数。
lin_space(...)：生成间隔中的值。
linspace(...)：生成间隔中的值。
load_file_system_library(...)：加载TensorFlow插件，包含文件系统实现。
load_op_library(...)：加载TensorFlow插件，包含自定义操作和内核。
local_variables(...)：返回局部变量。
local_variables_initializer(...)：返回初始化所有局部变量的Op。
log(...)：计算x元素的自然对数。
log1p(...)：计算（1 + x）元素的自然对数。
log_sigmoid(...)：计算x元素方式的日志sigmoid 。
logical_and(...)：返回x和y元素的真值。
logical_not(...)：返回NOT x元素的真值。
logical_or(...)：返回x OR y元素的真值。
logical_xor(...)：x ^ y =（x | y）＆〜（x＆y）。
make_ndarray(...)：从张量中创建一个numpy ndarray。
make_template(...)：给定一个任意函数，包装它以便它进行变量共享。
make_tensor_proto(...)：创建TensorProto。
map_fn(...)：elems在尺寸0上解压缩的张量列表上的地图。
matching_files(...)：返回与一个或多个glob模式匹配的文件集。
matmul(...)：矩阵a乘以矩阵b，产生a* b。
matrix_band_part(...)：复制张量设置每个最内层矩阵*带外的所有内容
matrix_determinant(...)：计算一个或多个方阵的行列式。
matrix_diag(...)：返回具有给定批处理对角线值的批处理对角线张量。
matrix_diag_part(...)：返回批处理张量的批处理对角线部分。
matrix_inverse(...)：计算一个或多个平方可逆矩阵或它们的倒数
matrix_set_diag(...)：返回具有新批处理对角线值的批处理矩阵张量。
matrix_solve(...)：求解线性方程组。
matrix_solve_ls(...)：解决一个或多个线性最小二乘问题。
matrix_transpose(...)：转置张量的最后两个维度a。
matrix_triangular_solve(...)：求解具有上三角矩阵或下三角矩阵的线性方程组
maximum(...)：以元素方式返回x和y的最大值（即x> y？x：y）。
meshgrid(...)：广播用于评估ND网格的参数。
min_max_variable_partitioner(...)：分区程序，用于分配每个切片的最小大小。
minimum(...)：以元素方式返回x和y的min（即x <y？x：y）。
mod(...)：返回除法元素的余数。当x < 0xor y < 0是
model_variables(...)：返回MODEL_VARIABLES集合中的所有变量。
moving_average_variables(...)：返回维护其移动平均值的所有变量。
multinomial(...)：从多项分布中绘制样本。
multiply(...)：以元素方式返回x * y。
negative(...)：按元素计算数值负值。
no_op(...)： 什么也没做。仅用作控制边的占位符。
no_regularizer(...)：使用此函数可防止变量正则化。
norm(...)：计算向量，矩阵和张量的范数。（不赞成的参数）
not_equal(...)：以元素方式返回（x！= y）的真值。
one_hot(...)：返回一个热的张量。
ones(...)：创建一个张量，所有元素都设置为1。
ones_like(...)：创建一个张量，所有元素都设置为1。
op_scope(...)：已弃用。与上面的name_scope相同，只是不同的参数顺序。
pad(...)：垫一个张量。
parallel_stack(...)：R将一个等级(R+1)张量列表并行堆叠到一个等级 - 张量中。
parse_example(...)：将Example原型解析dict为张量。
parse_single_example(...)：解析一个Example原型。
parse_single_sequence_example(...)：解析一个SequenceExample原型。
parse_tensor(...)：将序列化的tensorflow.TensorProto原型转换为Tensor。
placeholder(...)：插入一个占位符，用于将始终输入的张量。
placeholder_with_default(...)：占位符op input在未输入其输出时通过。
polygamma(...)：计算polygamma函数 ψ（ñ）（X）。
pow(...)：计算一个值与另一个值的幂。
py_func(...)：包装python函数并将其用作TensorFlow操作。
qr(...)：计算一个或多个矩阵的QR分解。
quantize(...)：将float类型的'input'张量量化为't'类型的'output'张量。
quantize_v2(...)：请tf.quantize改用。
quantized_concat(...)：沿一个维度连接量化张量。
random_crop(...)：随机地将张量裁剪为给定大小。
random_gamma(...)：shape从每个给定的Gamma分布中抽取样本。
random_normal(...)：从正态分布输出随机值。
random_poisson(...)：shape从每个给定的泊松分布中绘制样本。
random_shuffle(...)：随机地沿着第一维度改变张量。
random_uniform(...)：从均匀分布输出随机值。
range(...)：创建一系列数字。
rank(...)：返回张量的等级。
read_file(...)：读取并输出输入文件名的全部内容。
real(...)：返回复杂（或实际）张量的实部。
realdiv(...)：返回实数类型的x / y元素。
reciprocal(...)：计算x元素的倒数。
reduce_all(...)：计算张量维度的元素的“逻辑和”。（不赞成的参数）
reduce_any(...)：计算张量维度的“逻辑或”元素。（不赞成的参数）
reduce_join(...)：在给定尺寸上连接字符串Tensor。
reduce_logsumexp(...)：计算log（sum（exp（张量尺寸的元素）））。（不赞成的参数）
reduce_max(...)：计算张量尺寸的元素最大值。（不赞成的参数）
reduce_mean(...)：计算张量维度的元素平均值。（不赞成的参数）
reduce_min(...)：计算张量尺寸的最小元素。（不赞成的参数）
reduce_prod(...)：计算张量维度的元素乘积。（不赞成的参数）
reduce_sum(...)：计算张量维度的元素总和。（不赞成的参数）
regex_replace(...)：用重写替换输入中的模式匹配。
register_tensor_conversion_function(...)：注册转换的对象的功能base_type来Tensor。
report_uninitialized_variables(...): Adds ops to list the names of uninitialized variables.
required_space_to_batch_paddings(...): Calculate padding required to make block_shape divide input_shape.
reset_default_graph(...): Clears the default graph stack and resets the global default graph.
reshape(...): Reshapes a tensor.
reverse(...): Reverses specific dimensions of a tensor.
reverse_sequence(...): Reverses variable length slices.
reverse_v2(...): Reverses specific dimensions of a tensor.
rint(...): Returns element-wise integer closest to x.
round(...): Rounds the values of a tensor to the nearest integer, element-wise.
rsqrt(...): Computes reciprocal of square root of x element-wise.
saturate_cast(...): Performs a safe saturating cast of value to dtype.
scalar_mul(...): Multiplies a scalar times a Tensor or IndexedSlices object.
scan(...): scan on the list of tensors unpacked from elems on dimension 0.
scatter_add(...): Adds sparse updates to the variable referenced by resource.
scatter_div(...): Divides a variable reference by sparse updates.
scatter_max(...)：使用该max操作将稀疏更新减少为变量引用。
scatter_min(...)：使用该min操作将稀疏更新减少为变量引用。
scatter_mul(...)：将稀疏更新乘以变量引用。
scatter_nd(...)：据说，分散updates成一个新的张量indices。
scatter_nd_add(...)：对变量中的单个值或切片应用稀疏加法。
scatter_nd_sub(...)：在updates各个值或切片之间应用稀疏减法
scatter_nd_update(...)：将稀疏应用于updates变量中的单个值或切片。
scatter_sub(...)：将稀疏更新减去变量引用。
scatter_update(...)：将稀疏更新应用于变量引用。
segment_max(...)：计算张量段的最大值。
segment_mean(...)：计算张量段的平均值。
segment_min(...)：计算张量段的最小值。
segment_prod(...)：沿张量的片段计算产品。
segment_sum(...)：计算张量段的总和。
self_adjoint_eig(...)：计算一批自伴随矩阵的特征分解。
self_adjoint_eigvals(...)：计算一个或多个自伴随矩阵的特征值。
sequence_mask(...)：返回表示每个单元格的前N个位置的掩码张量。
serialize_many_sparse(...)：序列化N-minibatch SparseTensor到[N, 3] Tensor。
serialize_sparse(...)：SparseTensor将a 序列化为3向量（1-D Tensor）对象。
serialize_tensor(...)：将Tensor转换为序列化的TensorProto原型。
set_random_seed(...)：设置图级随机种子。
setdiff1d(...)：计算两个数字或字符串列表之间的差异。
shape(...)：返回张量的形状。
shape_n(...)：返回张量的形状。
sigmoid(...)：计算x元素方式的sigmoid 。
sign(...)：返回数字符号的元素指示。
sin(...)：计算x元素的罪。
sinh(...)：计算x元素的双曲正弦值。
size(...)：返回张量的大小。
slice(...)：从张量中提取切片。
space_to_batch(...)：SpaceToBatch用于T型的4-D张量
space_to_batch_nd(...)：SpaceToBatch用于T类型的ND张量
space_to_depth(...)：T型张量的SpaceToDepth：
sparse_add(...)：添加两个张量，每个至少有一个是张量SparseTensor。
sparse_concat(...)：连接SparseTensor指定维度的列表。（不赞成的参数）
sparse_fill_empty_rows(...)：SparseTensor使用默认值填充输入2-D中的空行。
sparse_mask(...)：面具元素IndexedSlices。
sparse_matmul(...)：矩阵“b”乘以矩阵“a”。
sparse_maximum(...)：返回两个SparseTensors的元素最大值。
sparse_merge(...)：将一批要素ID和值合并为一个SparseTensor。
sparse_minimum(...)：返回两个SparseTensors的元素分钟。
sparse_placeholder(...)：插入一个占位符，表示将始终输入的稀疏张量。
sparse_reduce_max(...)：计算SparseTensor维度的元素最大值。
sparse_reduce_max_sparse(...)：计算SparseTensor维度的元素最大值。
sparse_reduce_sum(...)：计算SparseTensor的维度之间的元素总和。
sparse_reduce_sum_sparse(...)：计算SparseTensor的维度之间的元素总和。
sparse_reorder(...)：重新排序SparseTensor为规范的行主要排序。
sparse_reset_shape(...)：重置SparseTensor具有索引和值的a的形状不变。
sparse_reshape(...)：重塑a SparseTensor以表示新的密集形状中的值。
sparse_retain(...)：保留a中指定的非空值SparseTensor。
sparse_segment_mean(...)：计算张量的稀疏段的平均值。
sparse_segment_sqrt_n(...)：计算张量的稀疏段除以sqrt（N）的总和。
sparse_segment_sum(...)：计算张量的稀疏段的总和。
sparse_slice(...)：SparseTensor根据start和`大小切片a 。
sparse_softmax(...)：将softmax应用于批量ND SparseTensor。
sparse_split(...)：将a拆分SparseTensor为num_split张量axis。（不赞成的参数）
sparse_tensor_dense_matmul(...)：通过密集矩阵“B”将SparseTensor（等级2）乘以“A”。
sparse_tensor_to_dense(...)：将a SparseTensor转换为密集张量。
sparse_to_dense(...)：将稀疏表示转换为密集张量。
sparse_to_indicator(...)：将一个SparseTensorid转换为一个密集的bool指标张量。
sparse_transpose(...)：转置一个 SparseTensor
split(...)：将张量分裂为子张量。
sqrt(...)：计算x元素的平方根。
square(...)：计算x元素的平方。
squared_difference(...)：以元素方式返回（x - y）（x - y）。
squeeze(...)：从张量的形状中移除尺寸为1的尺寸。（不赞成的参数）
stack(...)：R将一个等级(R+1)张量列表堆叠成一个等级 - 张量。
stop_gradient(...)：停止渐变计算。
strided_slice(...)：提取张量的张量切片（广义python数组索引）。
string_join(...)：将给定的字符串张量列表中的字符串连接成一个张量;
string_split(...)：拆分source基于delimitera的元素SparseTensor。
string_strip(...)：从Tensor中删除前导和尾随空格。
string_to_hash_bucket(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_hash_bucket_fast(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_hash_bucket_strong(...)：将输入Tensor中的每个字符串转换为其散列模式中的多个存储桶。
string_to_number(...)：将输入Tensor中的每个字符串转换为指定的数字类型。
substr(...)：从Tensor字符串返回子字符串。
subtract(...)：返回x - y元素。
svd(...)：计算一个或多个矩阵的奇异值分解。
tables_initializer(...)：返回初始化默认图形的所有表的Op。
tan(...)：计算x元素的tan。
tanh(...)：计算x元素的双曲正切值。
tensordot(...)：沿指定轴张紧a和b的收缩。
tile(...)：通过平铺给定的张量构造张量。
timestamp(...)：提供自纪元以来的时间，以秒为单位。
to_bfloat16(...)：将张量转换为类型bfloat16。
to_complex128(...)：将张量转换为类型complex128。
to_complex64(...)：将张量转换为类型complex64。
to_double(...)：将张量转换为类型float64。
to_float(...)：将张量转换为类型float32。
to_int32(...)：将张量转换为类型int32。
to_int64(...)：将张量转换为类型int64。
trace(...)：计算张量的轨迹x。
trainable_variables(...)：返回使用创建的所有变量trainable=True。
transpose(...)：转置a。根据尺寸置换尺寸perm。
truediv(...)：将x / y元素分开（使用Python 3除法运算符语义）。
truncated_normal(...)：从截断的正态分布输出随机值。
truncatediv(...)：返回整数类型的x / y元素。
truncatemod(...)：返回除法元素的余数。这样就模拟了C语义
tuple(...)：集团张力在一起。
unique(...)：在1-D张量中找到独特的元素。
unique_with_counts(...)：在1-D张量中找到独特的元素。
unravel_index(...)：将平面索引或平面索引数组转换为元组
unsorted_segment_max(...)：计算张量段的最大值。
unsorted_segment_mean(...)：计算张量段的平均值。
unsorted_segment_min(...)：计算张量段的最小值。
unsorted_segment_prod(...)：沿张量的片段计算产品。
unsorted_segment_sqrt_n(...)：计算张量的段除以sqrt（N）的总和。
unsorted_segment_sum(...)：计算张量段的总和。
unstack(...)：将等级R张量的给定维度解包为等级张(R-1)量。
variable_axis_size_partitioner(...)：获取VariableScope的分区程序以保留下面的分片max_shard_bytes。
variable_op_scope(...)：不推荐使用：用于定义创建变量的op的上下文管理器。
variables_initializer(...)：返回初始化变量列表的Op。
verify_tensor_all_finite(...)：断言张量不包含任何NaN或Inf。
where(...)：从x或返回元素y，具体取决于condition。
while_loop(...)：body条件cond为真时重复。
write_file(...)：以输入文件名将内容写入文件。以递归方式创建文件
zeros(...)：创建一个张量，所有元素都设置为零。
zeros_like(...)：创建一个张量，所有元素都设置为零。
zeta(...)：计算Hurwitz zeta函数 ζ（X，q）。
其他成员
AUTO_REUSE
COMPILER_VERSION
CXX11_ABI_FLAG
GIT_VERSION
GRAPH_DEF_VERSION
GRAPH_DEF_VERSION_MIN_CONSUMER
GRAPH_DEF_VERSION_MIN_PRODUCER
MONOLITHIC_BUILD
QUANTIZED_DTYPES
VERSION
__all__
__compiler_version__
__cxx11_abi_flag__
__git_version__
__monolithic_build__
__version__
bfloat16
bool
complex128
complex64
double
float16
float32
float64
half
int16
int32
int64
int8
newaxis
qint16
qint32
qint8
quint16
quint8
resource
string
uint16
uint32
uint64
uint8
variant
TensorFlow API 汉化的更多相关文章
-
Matplotlib API汉化
Pyplot API 示例汇总:https://matplotlib.org/gallery/index.html#api-examples 该matplotlib.pyplot模块包含的功能允许您快 ...
-
Matplotlib API汉化 Pyplot API
https://www.cnblogs.com/chenxygx/p/9554443.html
-
API Monitor v2.0 Alpha-r13 (32+64) 汉化版
API Monitor v2.0 Alpha-r13 (32+64) 汉化版: 链接: https://pan.baidu.com/s/1jIx5znC 密码: 4538 本软件已最大化汉化,已经趋于 ...
-
Core Java 学习笔记——1.术语/环境配置/Eclipse汉化字体快捷键/API文档
今天起开始学习Java,学习用书为Core Java.之前有过C的经验.准备把自己学习这一本书时的各种想法,不易理解的,重要的都记录下来.希望以后回顾起来能温故知新吧.也希望自己能够坚持把自己学习这本 ...
-
C#关于外挂汉化的一些思考(API函数FindWindow,FindWindowEx,SendMessage)(转)
这次我们试着运用C#的API函数去修改别的程序的标题文本(适用范围C#) 其实这是FindWindow,FindWindowEx,SendMessage的应用举例之一 也就是所谓的外挂汉化. 附:Wi ...
-
jQuery EasyUI API - Grid - DataGrid [原创汉化官方API]
最近在学习jQuery EasyUI,发现中文的文档好少,部分文档不错但它是鸟语的,为了大家也为了自己学习吧,汉化做一下笔记. 有没有说清楚的,或者翻译不正确的地方还请大家谅解指出.. 由于工作时间原 ...
-
jQuery EasyUI API - Layout - Layout[原创汉化官方API]
最近在学习jQuery EasyUI,发现中文的文档好少,部分文档不错但它是鸟语的,为了大家也为了自己学习吧,汉化做一下笔记. 有没有说清楚的,或者翻译不正确的地方还请大家谅解指出.. 由于工作时间原 ...
-
jQuery EasyUI API - Base - Draggable [原创汉化官方API]
最近在学习jQuery EasyUI,发现中文的文档好少,部分文档不错但它是鸟语的,为了大家也为了自己学习吧,汉化做一下笔记. 有没有说清楚的,或者翻译不正确的地方还请大家谅解指出.. 由于工作时间原 ...
-
安装Sublime Text 3汉化插件
一.Sublime Text工具介绍: Sublime Text 是一个代码编辑器(Sublime Text 2是收费软件,但可以无限期试用),也是HTML和散文先进的文本编辑器.Sublime Te ...
随机推荐
-
关于我 — About Me
个人简介 姓名:周旭龙 关注:.NET开发技术.Web前端技术 邮箱:edisonchou@hotmail.com GitHub: https://github.com/edisonchou 主要经历 ...
-
AMD模块介绍（翻译）
http://dojotoolkit.org/documentation/tutorials/1.10/modules/index.html Dojo支持以异步模型定义(AMD)方式编写的模块,让会让 ...
-
Java String 的实例(02)
1.初始化数组以及数组的拷贝 int[] a={1,2,3,4}; //System.out.println(Arrays.toString(a)); a=new int[ ...
-
NetCore第一步：千里之行 始于环境构筑
今年的6月28号,微软发布了一个正式版本 NetCore.发布的同时,也同时发布了CoreStudio. 这个激动人心的时刻,让跨平台已经不再是什么神话. 让我们一起来开始Core的开发之旅吧. 万事 ...
-
基于VMware的虚拟Linux集群搭建-lvs+keepalived
基于VMware的虚拟Linux集群搭建-lvs+keepalived 本文通过keepalived实现lvsserver的的双机热备和真实server之间的负载均衡.这方面的blog挺多,可是每一个 ...
-
eclipse配置tomcat及修改tomcat默认根目录
1.安装eclipse for j2ee和tomcat: 2.下载tomcat对eclipse的插件:http://www.eclipsetotale.com/tomcatPlugin.html 下载 ...
-
Apache Solr vs Elasticsearch
http://solr-vs-elasticsearch.com/ Apache Solr vs Elasticsearch The Feature Smackdown API Feature Sol ...
-
hololens Vuforia新时期的开发注意事项
首先是导入的时候unity版本 HolotoolKit的版本 是否搭配.按照推荐的版本号去下载安装: 其次是在原本的相机的设置. View of field 大小设置为60,不然会造成页面的放大,然后 ...
-
sql number类型和varchar2类型
查询时,发现org_id 为number类型,zone_id为varchar2类型,需要转化 转换 to_char(),或者to_number select a.id,b.col,a.col from ...
-
JSP_运维_JSP项目部署到server(适合0经验新手)
实战:真正server端部署jsp项目经验总结与记录(完整过程从0到10适合对server端部署0经验新手) jsp+tomcat+mysql项目部署到真正server; servermysql安装; ...