tensorflow 1.0 学习：卷积层

时间：2023-03-08 22:44:09

在tf1.0中，对卷积层重新进行了封装，比原来版本的卷积层有了很大的简化。

一、旧版本（1.0以下）的卷积函数：tf.nn.conv2d

conv2d(

    input,

    filter,

    strides,

    padding,

    use_cudnn_on_gpu=None,

    data_format=None,

    name=None

)

该函数定义在tensorflow/python/ops/gen_nn_ops.py。

参数：

    • input: 一个4维Tensor（N,H,W,C). 类型必须是以下几种类型之一: half, float32, float64.
    • filter: 卷积核. 类型和input必须相同，4维tensor, [filter_height, filter_width, in_channels, out_channels],如[5,5,3,32]
    • strides:  在input上切片采样时，每个方向上的滑窗步长，必须和format指定的维度同阶,如[1, 2, 2, 1]
    • padding: 指定边缘填充类型: "SAME", "VALID". SAME表示卷积后图片保持不变，VALID则会缩小。
    • use_cudnn_on_gpu: 可选项，bool型。表示是否在GPU上用cudnn进行加速，默认为True.
    • data_format: 可选项，指定输入数据的格式: "NHWC"或 "NCHW"， 默认为"NHWC"。
      NHWC格式指[batch, in_height, in_width, in_channels]
      NCHW格式指[batch, in_channels, in_height, in_width]
    • name: 操作名，可选.
示例：
conv1=tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

二、1.0版本中的卷积函数:tf.layers.conv2d

conv2d(

    inputs,

    filters,

    kernel_size,

    strides=(1, 1),

    padding='valid',

    data_format='channels_last',

    dilation_rate=(1, 1),

    activation=None,

    use_bias=True,

    kernel_initializer=None,

    bias_initializer=tf.zeros_initializer(),

    kernel_regularizer=None,

    bias_regularizer=None,

    activity_regularizer=None,

    trainable=True,

    name=None,

    reuse=None

)

定义在tensorflow/python/layers/convolutional.py.

参数多了很多，但实际用起来，却更简单。

  • inputs: 输入数据，4维tensor.
  • filters: 卷积核个数。
  • kernel_size:卷积核大小，如【5，5】。如果长宽相等，也可以直接设置为一个数，如kernel_size=5
  • strides: 卷积过程中的滑动步长，默认为[1,1]. 也可以直接设置为一个数，如strides=2
  • padding: 边缘填充，'same' 和'valid‘选其一。默认为valid

  • data_format: 输入数据格式，默认为channels_last ，即 (batch, height, width, channels),也可以设置为channels_first 对应 (batch, channels, height, width).

  • dilation_rate: 微步长卷积，这个比较复杂一些，请百度.

  • activation: 激活函数.
  • use_bias: Boolean型，是否使用偏置项.
  • kernel_initializer: 卷积核的初始化器.
  • bias_initializer: 偏置项的初始化器，默认初始化为0.
  • kernel_regularizer: 卷积核化的正则化，可选.
  • bias_regularizer: 偏置项的正则化，可选.
  • activity_regularizer: 输出的正则化函数.
  • trainable: Boolean型，表明该层的参数是否参与训练。如果为真则变量加入到图集合中 GraphKeys.TRAINABLE_VARIABLES (see tf.Variable).
  • name: 层的名字.
  • reuse: Boolean型, 是否重复使用参数.
示例：


conv1=tf.layers.conv2d(

      inputs=x,

      filters=32,

      kernel_size=5,

      padding="same",

      activation=tf.nn.relu,
      kernel_initializer=tf.TruncatedNormal(stddev=0.01))

更复杂一点的：

conv1 = tf.layers.conv2d(batch_images,

                         filters=64,

                         kernel_size=7,

                         strides=2,

                         activation=tf.nn.relu,

                         kernel_initializer=tf.TruncatedNormal(stddev=0.01)

                         bias_initializer=tf.Constant(0.1),

                         kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003),

                         bias_regularizer=tf.contrib.layers.l2_regularizer(0.003),

                         name='conv1')
相关文章