一、池化层的github中的比较官方的定义:
池化层定义
有最大值池化和均值池化
- tf.layers.max_pooling2d
max_pooling2d(
inputs,
pool_size,
strides,
padding='valid',
data_format='channels_last',
name=None
)
- inputs: 进行池化的数据。
- pool_size: 池化的核大小(pool_height, pool_width),如[3,3].如果长宽相等,也可以直接设置为一个数,如pool_size=3.
- strides: 池化的滑动步长。可以设置为[1,1]这样的两个整数.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).
- name: 层的名字。
例如:
pool1=tf.layers.max_pooling2d(inputs=x, pool_size=[2, 2], strides=2)
池化层一般放在卷积之后的位置上,如:
conv=tf.layers.conv2d(
inputs=x,
filters=32,
kernel_size=[5, 5],
padding="same",
activation=tf.nn.relu)
pool=tf.layers.max_pooling2d(inputs=conv, pool_size=[2, 2], strides=2)
2、tf.layers.average_pooling2d
average_pooling2d(
inputs,
pool_size,
strides,
padding='valid',
data_format='channels_last',
name=None
)
参数的具体含义跟最大值池化的含义一样,这里就不再进行过多的陈述。
二、全连接dense层定义在github中也有相应的定义:
全连接层的定义
- tf.layers.dense
dense(
inputs,
units,
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
)
- inputs: 输入数据,2维tensor.
- units: 该层的神经单元结点数。
- 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.
全连接层执行操作 outputs = activation(inputs.kernel + bias)
如果执行结果不想进行激活操作,则设置activation=None。
例如:
#全连接层
dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu)
dense2= tf.layers.dense(inputs=dense1, units=512, activation=tf.nn.relu)
logits= tf.layers.dense(inputs=dense2, units=10, activation=None)
最后可以对全连接层进行正则化约束:
dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu,kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))