Tensorflow学习-自定义模型

摘要：

在tensorflow里面，已经封装了一些常用的网络结构模型，比如CNN，DNN这些，有时候我们需要自己搭一个网络结构或者需要了解每个网络是如何搭建起来的，相信这篇文章会对你有一点点所帮助。

已有模型

正文：

model_fn:

我们首先需要写一个函数描述我们的网络，这个也是自己搭建模型最为核心的一步，通常需要做以下的事情

1.基本的网络结构（卷积、池化、全连接等等）

卷积层：

tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

inputs:输入层

filters:卷积核的个数

kernel_size:卷积核的尺寸

padding这个参数决定了卷积后的tensor是否与输入tensor有相同的width和height。

当padding='same'时表示卷积后的tensor与输入tensor尺寸不变。

当padding='valid'（默认）,卷积后的W和H按照公式计算 公式—第6点

strides:步长

activation，选择激活函数。

tensorflow常用激活函数

池化层：

tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

inputs:输入层

pool_size:池化窗口大小

strides:步长

在接全连接层时一般有一个“拍平”tensor的过程，具体如下：

pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64])

全连接：

tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)

inputs:输入层

units:神经元个数

activation:激活函数

drop-out层：