应用TensorFlow高级API构建卷积神经网络(2)--api解释

tf.estimator.inputs.numpy_input_fn

def numpy_input_fn(x,
                   y=None,
                   batch_size=128,
                   num_epochs=1,
                   shuffle=None,
                   queue_capacity=1000,
                   num_threads=1):

• x是训练数据，使用numpy_input_fn时就是numpy array的格式。使用Pandas的时候就是dataframe的格式。

• y是标签。

• batch_size，每一次迭代的时候选择的样本个数，默认选择是128个样本。

• num_epochs，一个epoch是指把整个数据集训练一次。

  • epoch=None,steps=100,batch_size=128：
    当epoch=None的时候就是说，训练的停止条件是达到迭代次数100。（这个时候其实可以算得到整个数据集被训练了100/（3328/128)=3.84次）

  • epoch=1,steps=100,batch_size=128:
    整个数据集共3328条数据，batch_size为128，所以迭代26次（3328/128）时可以实现整个数据集被训练了一次，所以实际上迭代26次就停止训练了。

  • epoch=4,steps=100,batch_size=128:
    和上面类似，只不过这里的epoch=4,故数据集总共需要被训练4次，故迭代次数总共需要4*(3328/128)=104次，但是104>100次，所以100次的时候训练也停止了。

  • epoch=100,steps=None,batch_size=128:

    这个时候steps不指定意味着停止条件是达到epoch的次数。所以当整个数据集被训练了100次的时候停止训练。此时的迭代次数其实是（3328/128)*100=2600次。

train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": train_data},
    y=train_labels,
    batch_size=100,
    num_epochs=None,
    shuffle=True)

eval_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x":eval_data},
    y=eval_labels,
    num_epochs=1,
    shuffle=False)

https://blog.csdn.net/qq_22238533/article/details/79005221

tf.layers.conv2d

def 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=init_ops.zeros_initializer(),
           kernel_regularizer=None,
           bias_regularizer=None,
           activity_regularizer=None,
           kernel_constraint=None,
           bias_constraint=None,
           trainable=True,
           name=None,
           reuse=None):

• inputs：Tensor 输入

• filters：整数，表示输出空间的维数（即卷积过滤器的数量）

• kernel_size：一个整数，或者包含了两个整数的元组/队列，表示卷积窗的高和宽。如果是一个整数，则宽高相等。

• strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的步长。如果是一个整数，则横纵步长相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。

• padding：“valid” 或者 “same”（不区分大小写）。“valid” 表示不够卷积核大小的块就丢弃，"same"表示不够卷积核大小的块就补0。

• data_format：channels_last 或者 channels_first，表示输入维度的排序。

• dilation_rate：一个整数，或者包含了两个整数的元组/队列，表示使用扩张卷积时的扩张率。如果是一个整数，则所有方向的扩张率相等。另外， strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。

• activation：激活函数。如果是None则为线性函数。

• use_bias：Boolean类型，表示是否使用偏差向量。

• kernel_initializer：卷积核的初始化。

• bias_initializer：偏差向量的初始化。如果是None，则使用默认的初始值。

• kernel_regularizer：卷积核的正则项

• bias_regularizer：偏差向量的正则项

• activity_regularizer：输出的正则函数

• kernel_constraint：映射函数，当核被Optimizer更新后应用到核上。Optimizer 用来实现对权重矩阵的范数约束或者值约束。映射函数必须将未被影射的变量作为输入，且一定输出映射后的变量（有相同的大小）。做异步的分布式训练时，使用约束可能是不安全的。

• bias_constraint：映射函数，当偏差向量被Optimizer更新后应用到偏差向量上。

• trainable：Boolean类型。

• name：字符串，层的名字。

• reuse：Boolean类型，表示是否可以重复使用具有相同名字的前一层的权重。

https://blog.csdn.net/HappyRocking/article/details/80243790

tf.layers.max_pooling2d

def max_pooling2d(inputs,
                  pool_size, strides,
                  padding='valid', data_format='channels_last',
                  name=None):

• 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。

tf.layers.dropout

def dropout(inputs,
            rate=0.5,
            noise_shape=None,
            seed=None,
            training=False,
            name=None):

• inputs：输入的张量
• rate: 丢失率，表示的是drop_prob而不是keep_prob
• training: True时会加入dropout, false即测试时不会加入dropout
• noise_shape : 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。
• seed : 整形变量，随机数种子。
• name: 名字。

tf.layers.Flatten

def flatten(inputs, name=None):

x = tf.placeholder(shape=(None, 4, 4), dtype='float32')
y = flatten(x)
# now `y` has shape `(None, 16)`

x = tf.placeholder(shape=(None, 3, None), dtype='float32')
y = flatten(x)
# now `y` has shape `(None, None)`