tf.nn，tf.layers， tf.contrib模块介绍

一、tf.nn，tf.layers， tf.contrib概述

 我们在使用tensorflow时，会发现tf.nn，tf.layers， tf.contrib模块有很多功能是重复的，尤其是卷积操作，在使用的时候，我们可以根据需要现在不同的模块。但有些时候可以一起混用。

        下面是对三个模块的简述：

        （1）tf.nn：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。

        （2）tf.layers：主要提供的高层的神经网络，主要和卷积相关的，个人感觉是对tf.nn的进一步封装，tf.nn会更底层一些。

        （3）tf.contrib：tf.contrib.layers提供够将计算图中的  网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。

1) 如果只是想快速了解一下大概，不建议使用tf.nn.conv2d类似的函数，可以使用tf.layers和tf.contrib.layers高级函数

 2) 当有了一定的基础后，如果想在该领域进行深入学习，建议使用tf.nn.conv2d搭建神经网络，此时会帮助你深入理解网络中参数的具体功能与作用，而且对于loss函数需要进行正则化的时候很便于修改。

且能很清晰地知道修改的地方。而如果采用tf.layers和tf.contrib.layers高级函数，由于函数内部有正则项，此时，不利于深入理解。而且如果编写者想自定义loss，此时比较困难，如如果读者想共享参数时，此时计算loss函数中的正则项时，应该只计算一次，如果采用高级函数可能不清楚到底如何计算的。

二、在神经网络构建中几个模块的函数对比

功能	tf.nn	tf.layers	tf.contrib	功能介绍
卷积运算（conv）	conv2d(...)	conv2d(...)	layers.convolution2d	2D卷积层的功能界面
池化（pooling）	avg_pool(...) max_pool(...)	average_pooling2d(...) max_pooling2d(...)	layers.avg_pool2d layers.max_pool2d	2D输入的平均和最大池层(例如图像)
全连接（dense）		dense(...)	layers.fully_connection	密集连接层的功能接口
退出率	dropout(...)