P1-

1.tf.get_variable()的使用

2.tf.get_variable tf.placeholder 的区别

(好文)

前者存可训练的模型参数，后者是输入需feed。

3.tf中的tensor如何理解，既包含数据又包含op?

import tensorflow as tfa=tf.Variable(1)b=tf.constant(1)  #定义变量a=1和常量1,并且定义a的自加运算aplus1和更新a的值得操作update"""aplus1=tf.add(a,b)update=tf.assign(a,aplus1)a=a.assign_add(b)#设置完变量之后，必须要对变量进行初始化工作，变量才能使用init=tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init) #运行初始化变量的计算    for i in range(10): #循环10次，查看a逐渐自加1的结果        #sess.run(update) #执行变量a的自加运算        print(sess.run(a)) #打印变量a也需要用session.run

 4.tf.concat学习

只要明白axis的含义就很简单了。

5. tf.sequence_mask学习

 （好文）

6. tf.cond学习

7.tf.expand_dims学习

8.tf实现cnn

 

9.tf.identity学习

10.tf.summary学习

11.tf中GraphKeys

12.tf.control_dependencies和tf.GraphKeys.UPDATE_OPS

13.python中栈和队列

可用列表实现

14.conda创建python虚拟环境

15.nohup和&的使用

 

16.关闭后台进程&

17.py中使用numpy计算各种距离

18.python二维列表赋值问题

19.pathlib库的Path类的使用

20.tf的日志记录

21.npz和npy文件

22.tf.transpose函数的用法讲解

 

23.ps命令查看进程启动时间和运行时间

ps -p PID -o lstart,etime

 24.查看torch的GPU版本是否安装成功：

import torchprint(torch.cuda.is_available())

 25.super.__init__()避免显式调用基类

 26.ps命令