tensorflow之神经网络层：AveragePooling2D、average_pooling2d、Conv2D和conv2d

微信公众号：数据挖掘与分析学习

1. tf.layers.Conv2D

Class Conv2D:2D卷积层，如图像上的空间卷积

该层创建卷积核，该卷积核与层的输入卷积（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，如果激活函数不是None，它也会应用于输出。

参数：

• filters:整数，输出空间的维度。例如，卷积中filter的数量。
• kernel_size:一个整数或一个两个整数的tuple/list,指定二维卷积窗口的高和宽。也可以是一个整数为所有的空间维度指定同样的值。
• strides:一个整数或一个两个整数的tuple/list,指定沿着高和宽的卷积的步幅。也可以是一个整数为所有的空间维度指定同样的值。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,height, width, channels)的输入，而channels_first对应于具有形状(batch, channels, height,width)的输入。
• dilation_rate:一个整数或一个两个整数的tuple/list,指定用于扩张的卷积的扩张率。也可以是一个整数为所有的空间维度指定同样的值。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。
• name:层的名称。

代码示例：

x=tf.Variable(tf.random_normal([10,28,28,3])) #[batch_szie,height,weight,channel] conv2D=tf.layers.Conv2D(filters=64,kernel_size=[2,2],strides=1,padding='SAME') print(conv2D(x)) conv2D=tf.layers.Conv2D(filters=64,kernel_size=[2,2],strides=2) print(conv2D(x))

输出：

Tensor("conv2d_16/BiasAdd:0", shape=(10, 28, 28, 64), dtype=float32)

Tensor("conv2d_17/BiasAdd:0", shape=(10, 14, 14, 64), dtype=float32)

2. tf.layers.conv2d

参数和作用同Conv2D类。

tf.layers.conv2d(     inputs,     filters,     kernel_size,     strides=(1, 1),     padding='valid',     data_format='channels_last',     dilation_rate=(1, 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 )

print(tf.layers.conv2d(x,filters=64,kernel_size=[2,2],strides=1,padding='SAME'))

3. tf.layers.AveragePooling2D

Class AveragePooling2D:针对2D输入的平均池化层

参数：

• pool_size：一个整数或者2个整数的元组/列表：（pool_height，pool_width），指定池化窗口的大小。 可以是单个整数，以为所有空间维度指定相同值。
• strides：一个整数或者2个整数的元组/列表，指定池操作的步幅。 可以是单个整数，以为所有空间维度指定相同值。
• padding:字符串，“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,height, width, channels)的输入，而channels_first对应于具有形状(batch, channels, height,width)的输入。
• name:层的名称。

ave_pool2D=tf.layers.AveragePooling2D(pool_size=[2,2],strides=[2,1],padding='SAME') print(ave_pool2D(x)) ave_pool2D=tf.layers.AveragePooling2D(pool_size=[2,2],strides=[2,2],padding='SAME') print(ave_pool2D(x))

输出：

Tensor("average_pooling2d_4/AvgPool:0", shape=(10, 14, 28, 3), dtype=float32) Tensor("average_pooling2d_5/AvgPool:0", shape=(10, 14, 14, 3), dtype=float32)

4. tf.layers.average_pooling2d

tf.layers.average_pooling2d(     inputs,     pool_size,     strides,     padding='valid',     data_format='channels_last',     name=None )

参数：

inputs:输入的张量

其它参数同AveragePooling2D类。

作用与AveragePooling2D一样。