TensorFlow教程（八）：Layer层

1、传入一个列表到计算图中

#-*- coding:utf-8 -*-
import tensorflow as tf
import numpy as np

sess = tf.Session()

x_vals = np.array([1.0, 3.0, 5.0, 7.0, 9.0])
x_data = tf.placeholder(tf.float32)
m_const = tf.constant(3.0)
my_product = tf.multiply(x_data, m_const)

for x_val in x_vals:
    print(sess.run(my_product, feed_dict={x_data:x_val}))

#write out log for tensorboard
writer = tf.summary.FileWriter("log", tf.get_default_graph())
writer.close()


#3.0
#9.0
#15.0
#21.0
#27.0

使用tensorboard查看生成的计算图

tensorboard --logdir=path/logdir

 

2、传入数据后改变数据的形状

#-*- coding:utf-8 -*-

import tensorflow as tf
import numpy as np

sess = tf.Session()

my_array = np.array([[1.0, 3.0, 5.0, 7.0, 9.0],
                    [-2.0, 0.0, 2.0, 4.0, 6.0],
                    [-6.0, -3.0, 0.0, 3.0, 6.0]])

x_vals = np.array([my_array, my_array + 1])
x_data = tf.placeholder(tf.float32, shape=(3, 5))

m1 = tf.constant([[1.0],[0.0],[-1.0],[2.0],[4.0]])
m2 = tf.constant([[2.0]])
a1 = tf.constant([[10.0]])

prod1 = tf.matmul(x_data, m1)
prod2 = tf.matmul(prod1, m2)
add1 = tf.add(prod2, a1)

for x_val in x_vals:
    print(sess.run(add1, feed_dict={x_data:x_val}))

writer = tf.summary.FileWriter("log002", tf.get_default_graph())
writer.close()



#[[102.]
# [ 66.]
# [ 58.]]
#[[114.]
# [ 78.]
# [ 70.]]

使用tensorboard查看生成的计算图

 

​

3、TensorFlow的图像函数是处理四维图片，这四维是：图片数量、高度、宽度和颜色通道。

Out = (W - F + 2P) / S + 1，W是输入形状，F是过滤器形状，P是padding的大小，S是步长形状。

#-*- coding:utf-8 -*-

import tensorflow as tf
import numpy as np

sess = tf.Session()

x_shape = [1, 4, 4, 1]
x_val = np.random.uniform(size=x_shape)

x_data = tf.placeholder(tf.float32, shape=x_shape)

my_filter = tf.constant(0.25, shape=[2, 2, 1, 1])
my_strides = [1, 2, 2, 1]
mov_avg_layer = tf.nn.conv2d(x_data, my_filter, my_strides, padding='SAME', name='Moving_Avg_Window')


def custom_layer(input_matrix):
    input_matrix_sqeezed = tf.squeeze(input_matrix)
    A = tf.constant([[1.0, 2.0], [-1.0, 3.0]])
    b = tf.constant(1.0, shape=[2, 2])
    temp1 = tf.matmul(A, input_matrix_sqeezed)
    temp = tf.add(temp1, b)
    return(tf.sigmoid(temp))

with tf.name_scope('Custom_Layer') as scope:
    custom_layer1 = custom_layer(mov_avg_layer)

print(sess.run(custom_layer1, feed_dict={x_data:x_val}))

writer = tf.summary.FileWriter('log003', tf.get_default_graph())
writer.close()


#[[0.91430384 0.9169417 ]
# [0.8906263  0.88187516]]

使用tensorboard查看生成的计算图（右边为展开图）

 

=====================================================================

tensorflow2.0之后注意和很早期的tensorflow版本区别，可能已经没有了tf.layer模块，因为目前暂时还没出现。感觉应该是在优化，毕竟没必要同时出现很多功能重复的函数。

关于layer层tf.nn提供的方法有：（可以参考原来的tf.layer）

• avg_pool1d(…): 一维平均池化层
• avg_pool2d(…): 二维平均池化层
• avg_pool3d(…): 三维平均池化层
• batch_normalization(…): 批量标准化层
• conv1d(…): 一维卷积层
• conv1d_transpose(…): 一维反卷积层
• conv2d(…): 二维卷积层
• conv2d_transpose(…): 二维反卷积层
• conv3d(…): 三维卷积层
• conv3d_transpose(…): 三维反卷积层
• dropout(…): Dropout层
• max_pool1d(…): 一维最大池化层
• max_pool2d(…): 二维最大池化层
• max_pool3d(…): 三维最大池化层
• separable_conv2d(…): 二维深度可分离卷积层