tensorflow之神经网络层：AveragePooling1D、average_pooling1d、Conv1D和conv1d

1.tf.layers.AveragePooling1D

Class AveragePooling1D:对一维的输入作平均池化

参数:

1. pool_size:一个整数或者一个单个整数的tuple/list,表示池化窗口的大小
2. Strides:一个整数或者一个单个整数的tuple/list,指定池化操作的移动步幅
3. padding:一个字符串。padding的方法：”valid”或者’same’
4. data_format:一个字符串，channels_last（默认）或channels_first中的一个，输入中维度的排序，channels_last对应于具有形状(batch, length, channels)的输入，而channels_first对应于具有形状(batch, channels, length)的输入。
5. Name:一个字符串，表示层的名称。

代码示例：

import tensorflow as tf x=tf.Variable(tf.random_normal([2,10,1])) #2表示batch_size,10表示输入向量长度，1表示输入的channel数量 init=tf.global_variables_initializer() average_pool=tf.layers.AveragePooling1D(pool_size=2,strides=2,padding='SAME',activity_regularizer=tf.nn.l2_normalize) y=average_pool(x) print(y.shape) #(2, 5, 1) print(average_pool.activity_regularizer) #<function l2_normalize at 0x000001F04CA3B730> print(average_pool.dtype) #float32 print(average_pool.data_format) #channels_last with tf.Session() as sess:     sess.run(init)     print(sess.run(y))     print(sess.run(x))

2.tf.layers.average_pooling1d

作用跟AveragePooling1D类一样。

tf.layers.average_pooling1d(     inputs,     pool_size,     strides,     padding='valid',     data_format='channels_last',     name=None )

x=tf.Variable(tf.random_normal([2,10,1])) x_average_pool=tf.layers.average_pooling1d(x,pool_size=2,padding="SAME",strides=2) print(x_average_pool.shape)(2, 5, 1)

3.tf.layers.Conv1D

Class Conv1D:一维的卷积层，如时间卷积

该层创建一个卷积核，卷积核与层输入进行卷积(实际上是交叉相关)以产生输出张量。如果use_bias为True(并且提供了bias_initializer),则会创建偏置向量并将其添加到输出。最后，如果激活函数不为None，它也会作用于输出。

参数：

filters:整数，输出空间的维度。例如，卷积中卷积核的数量。

Kernel_size:一个整数或一个单个整数的tuple/list,指定一维卷积窗口的长度

Strides:一个整数或一个单个整数的tuple/list,指定卷积的步幅。指定任何!=1的步幅值与指定任何dilation_rate值！=1不相容

Padding:”valid”或者”same”

data_format:一个字符串，channels_last（默认）或channels_first中的一个，输入中维度的排序，channels_last对应于具有形状(batch, length, channels)的输入，而channels_first对应于具有形状(batch, channels, length)的输入。

dilation_rate:一个整数或一个单个整数的tuple/list,指定用于扩张的卷积的扩张率。指定任何!=1的步幅值与指定任何dilation_rate值！=1不相容

activation:激活函数，将其设置为None则是线性函数

use_bias:Boolean，表示是否使用偏置

kernel_initializer:卷积核的初始化器

bias_initializer:偏置向量的初始化器，如果为None，则使用默认的初始化器

kernel_regularizer：用于卷积核的可选正则化器。

bias_regularizer：用于偏置向量的可选正则化器。

activity_regularizer:用于输出的可选正则化函数

kernel_constraint:在由优化器更新之后应用于内核的可选投影函数（例如，用于实现层权重的范数约束或值约束）。 该函数必须将未投影的变量作为输入，并且必须返回投影变量（必须具有相同的形状）。 在进行异步分布式训练时，使用约束是不安全的。

bias_constraint：可选的投影功能，在优化器进行更新后应用于偏差。

trainable:Boolean,如果为Ture将变量添加到图集合GraphKeys.TRAINABLE_VARIABLES中。

 

代码示例：

import tensorflow as tf x=tf.Variable(tf.random_normal([2,10,1])) #2表示batch_size,10表示输入向量长度，1表示输入的channel数量 conv1D=tf.layers.Conv1D(10,kernel_size=2,strides=1,padding="SAME")#输出10个filters print(conv1D(x)) conv1D=tf.layers.Conv1D(10,kernel_size=2,strides=1) print(conv1D(x))

输出：

Tensor("conv1d_10/BiasAdd:0", shape=(2, 10, 10), dtype=float32)

Tensor("conv1d_11/BiasAdd:0", shape=(2, 9, 10), dtype=float32)

4.tf.layers.conv1d

tf.layers.conv1d(     inputs,     filters,     kernel_size,     strides=1,     padding='valid',     data_format='channels_last',     dilation_rate=1,     activation=None,     use_bias=True,     kernel_initializer=None,     bias_initializer=tf.zeros_initializer(),     kernel_regularizer=None,     bias_regularizer=None,     activity_regularizer=None,     kernel_constraint=None,     bias_constraint=None,     trainable=True,     name=None,     reuse=None )

参数说明:

name:层的名称。

reuse:Boolean,是否以同一名称重用前一层的权重。

其它参数同Conv1D类。

conv1D=tf.layers.conv1d(x,filters=10,kernel_size=2,strides=1,padding="SAME") print(conv1D) conv1D=tf.layers.conv1d(x,filters=10,kernel_size=2,strides=1) print(conv1D)

输出：

Tensor("conv1d_15/BiasAdd:0", shape=(2, 10, 10), dtype=float32)

Tensor("conv1d_16/BiasAdd:0", shape=(2, 9, 10), dtype=float32)