在TensorFlow中封裝好了一個(gè)高級(jí)庫(kù),tf.contrib.layers庫(kù)封裝了很多的函數(shù),使用這個(gè)高級(jí)庫(kù)來(lái)開(kāi)發(fā)將會(huì)提高效率,卷積函數(shù)使用tf.contrib.layers.conv2d,池化函數(shù)使用tf.contrib.layers.max_pool2d和tf.contrib.layers.avg_pool2d,全連接函數(shù)使用 tf.contrib.layers.fully_connected,下面來(lái)看里面封裝好的函數(shù)接口:
以最復(fù)雜的卷積為例,其他的幾個(gè)函數(shù)與之類(lèi)似:
layers.conv2d(inputs, num_outputs, kernel_size, stride, padding='SAME', data_format=None, rate=1, activation_fn=tf.nn.relu, normalizer_fn=None, normalizer_params=None, weights_initializer=initializers.xavier_initializers(), weights_regularizer=None, reuse=None, variables_collections=None, outputs_collections=None, trainable=True, scope=None)
常用的參數(shù)說(shuō)明:
inputs:輸入的數(shù)據(jù)
num_outputs:設(shè)置輸出的channel數(shù)量。這里不用在設(shè)置輸入的channel的數(shù)量了,該函數(shù)會(huì)自動(dòng)根據(jù)shape來(lái)判斷。
kernel_size:卷積核大小,不需要帶上batch和channel,只需要輸入尺寸即可,[ 5, 5 ]就代表5x5大小的卷積核,如果長(zhǎng)寬都一樣,可以直接寫(xiě)一個(gè)5就行了。
stride:步長(zhǎng),默認(rèn)的長(zhǎng)寬都是相等的步長(zhǎng),卷積時(shí)一般都用1,默認(rèn)的值也是1,如果長(zhǎng)寬都不同,也可以用一個(gè)數(shù)組[ 1,2 ]來(lái)表示。
padding:設(shè)置填充的規(guī)則。
activation_fn:輸出后的激活函數(shù)。
weights_initializer:權(quán)重的初始化方式,默認(rèn)使用的是?initializers.xavier_initializers(),能夠使得所有層的梯度保持大體相同,biases_initializer同理。
weights_regularizer:正則化項(xiàng),可以加入正則函數(shù)。
trainable:是否可訓(xùn)練,如作為訓(xùn)練節(jié)點(diǎn),必須設(shè)置為T(mén)rue。
下面我們使用layers構(gòu)建一個(gè)網(wǎng)絡(luò)模型:
import tensorflow.contrib.layers as layersx = tf.placeholder(dtype=tf.float32, shape=[None, 32, 32, 3])y = tf.placeholder(dtype=tf.float32, shape=[None, 10])x_images = tf.reshape(x, [-1, 32, 32, 3])h_conv1 = layers.conv2d(x_images, 64, 3, 1, activation_fn=tf.nn.relu)h_pool1 = layers.max_pool2d(h_conv1, [2, 2], stride=2, padding='SAME')h_conv2 = layers.conv2d(h_pool1, 64, 3, 1, activation_fn=tf.nn.relu)h_pool2 = layers.max_pool2d(h_conv2, [2, 2], stride=2, padding='SAME')h_conv3 = layers.conv2d(h_pool2, 32, 3, 1, activation_fn=tf.nn.relu)h_pool3 = layers.max_pool2d(h_conv3, [2, 2], stride=2, padding='SAME')h_conv4 = layers.conv2d(h_pool3, 16, 3, 1, activation_fn=tf.nn.relu)h_pool4 = layers.max_pool2d(h_conv4, [2, 2], stride=2, padding='SAME')h_conv5 = layers.conv2d(h_pool4, 10, 3, 1, activation_fn=tf.nn.relu)y_pool = tf.reshape(h_conv5, shape=[-1, 40])y_pool = layers.fully_connected(y_pool, 10, activation_fn=None)cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=y_pool))optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
使用layers是不是極大的簡(jiǎn)化了網(wǎng)絡(luò)默寫(xiě)的代碼,提升了我們的代碼效率。
?
來(lái)源:http://www.icode9.com/content-4-233601.html聯(lián)系客服