Examples: n_dim = x.get_shape().ndims assert n_dim >= 2 if n_dim == 2: return tf.nn.softmax(x) else:

References: tflearn.utils.get_incoming_shape

全连接层 Input shape: [batch_size, n_input] Output shape: [batch_size, n_unit] 如果需要 reuse 推荐使用类实现的 `Dense` Args: x(tf.Tensor):

以字典形式获取所有 trainable 参数

加载数据 源数据格式为多行，每行为两个浮点数，分别表示 (x,y)

Examples: x.shape == [128, 32, 1] x = permute(x, [0, 2, 1]) x.shape == [128, 1, 32] y.shape == [128, 64, 32]

随机采样 k 个样本作为聚类中心

单词清洗

对给定文件列表构建倒排索引

获取参数总量

用于 conv2d 的 highway Input shape: [batch_size, in_h, in_w, in_channels] Output shape: [batch_size, in_h, in_w, in_channels] 公式 `o

用于全连接层的 highway Input shape: [batch_size, n_input] Output shape: [batch_size, n_input] 公式 `o = H(x, W)T(x, W) + x(1 - T(x, W))`

K-Means 算法 一般 K-Mean 算法的终止条件有如下几个： 1. 所有样本的类别不再改变 2. 达到最大迭代次数 3. 精度达到要求（？） 返回聚类中心及聚类结果

渗透 ReLU `o = max(alpha * x, x)`

Args: ret(dict): Returns:

计算两个点之间的欧式距离

Args: txt(str): inverse_index(dict): word_freq(dict): Returns: dict

调整指针指向

Args: x: 注意 x.dtype == float32

Args: l1(float): L1 正则化的系数 l2(float): L2 正则化的系数

Attention Flow Match Layer Input shape: h: [N, T, d] # 原文中的 shape 为 [N, T, 2d], 因为经过了 bi-LSTM, 维度扩了一倍 u: [N, J, d] Output sha

Attention Flow Self Match Layer Input shape: h: [N, T, d] # 原文中的 shape 为 [N, T, 2d], 因为经过了 bi-LSTM, 维度扩了一倍 u: [N, J, d] Outpu

Input shape: [batch_size, n_input] Output shape: [batch_size, n_input] 公式 `o = x * softmax(Wx + b)` 一般用法 ```

Input shape: [batch_size, n_step, n_input] Output shape: [batch_size, n_step, n_input] Examples: 以下示例使用了 TensorLayer 库来快速构建模型；本

In: [N, max_n_word, max_n_char] Out: [N, max_n_word, c_embed_size] max_n_word: 句子的最大长度 max_n_char: 单词的最大长度 Args: x:

截断 ReLU `o = min(max(0., x), max_value)`

2-D 卷积层 Input shape: [batch_size, in_h, in_w, in_channels] Output shape: [batch_size, out_h, out_w, out_channels] Args: x(tf.Ten

Concatenated ReLU

Multiplies 2 tensors (and/or variables) and returns a *tensor*.

指数线性单元

_pmf 可以指向以下任何一个函数

提取词向量

x = 0. x < -2.5 = 1. x > 2.5 = 0.2 * x + 0.5 otherwise

线性全连接层 Input shape: [batch_size, n_input] Output shape: [batch_size, n_unit] Args: x(tf.Tensor): n_unit(int): na

多层全连接 Input shape: [batch_size, n_input] Output shape: [batch_size, n_unit_list[-1]] Args: x(tf.Tensor): n_unit_ls(list

多层 highway_conv2d

多层 highway_dense Input shape: [batch_size, n_input] Output shape: [batch_size, n_input]

构造函数：默认指向斐波那契数列

参数化 ReLU References: tflearn.prelu

ReLU `o = max(0., x)`

`o = min(max(x, 0), 6)`

Examples: x.shape == [batch_size, n_input] x = repeat(x, n_step) x.shape == [batch_size, n_step, n_input] References

缩放型指数线性单元

o = x / (1 + abs(x))