Tensorflow学习(4)池化层和全连接层
2017-11-18 20:53
134 查看
池化层定义在 tensorflow/python/layers/pooling.py.
有最大值池化和均值池化。
tf.layers.max_pooling2d
inputs:进行池化的数据。
pool_size:池化的核大小(pool_height,pool_width),如[3,3]。如果长宽相等,也可以设置一个数,如pool_size=3。
strides:池化的滑动步长。可以设置为[1,1]这样的两个整数,也可以直接设置为一个数如strides=2。
padding:边缘填充。’same‘和’valid‘选其一。默认后者。
data_format:输入数据格式。默认为channels_last。
name:层的名字。
例如:
一般是放在卷积层之后,例如:
tf.layers.average_pooling2d
参数和前面的最大值池化一样。
全连接dense层定义在 tensorflow/python/layers/core.py.
tf.layers.dense
inputs: 输入数据,2维tensor.
units: 该层的神经单元结点数。
activation: 激活函数.
use_bias: Boolean型,是否使用偏置项.
kernel_initializer: 卷积核的初始化器.
bias_initializer: 偏置项的初始化器,默认初始化为0.
kernel_regularizer: 卷积核化的正则化,可选.
bias_regularizer: 偏置项的正则化,可选.
activity_regularizer: 输出的正则化函数.
trainable: Boolean型,表明该层的参数是否参与训练。如果为真则变量加入到图集合中 GraphKeys.TRAINABLE_VARIABLES (see tf.Variable).
name: 层的名字.
reuse: Boolean型, 是否重复使用参数.
全连接层执行操作 outputs = activation(inputs.kernel + bias)
如果执行结果不想进行激活操作,则设置activation=None。
例:
也可以对全连接层的参数进行正则化约束:
有最大值池化和均值池化。
tf.layers.max_pooling2d
max_pooling2d( inputs, pool_size, strides, padding='valid', data_format='channels_last', name=None, )
inputs:进行池化的数据。
pool_size:池化的核大小(pool_height,pool_width),如[3,3]。如果长宽相等,也可以设置一个数,如pool_size=3。
strides:池化的滑动步长。可以设置为[1,1]这样的两个整数,也可以直接设置为一个数如strides=2。
padding:边缘填充。’same‘和’valid‘选其一。默认后者。
data_format:输入数据格式。默认为channels_last。
name:层的名字。
例如:
pool1=tf.layers.max_pooling2d(inputs=x,pool_size=[2,2],strides=2)
一般是放在卷积层之后,例如:
conv=tf.layers.conv2d( inputs=x, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu) pool=tf.layers.max_pooling2d(inputs=conv, pool_size=[2, 2], strides=2)
tf.layers.average_pooling2d
average_pooling2d( inputs, pool_size, strides, padding='valid', data_format='channels_last', name=None )
参数和前面的最大值池化一样。
全连接dense层定义在 tensorflow/python/layers/core.py.
tf.layers.dense
dense( inputs, units, activation=None, use_bias=True, kernel_initializer=None, bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, trainable=True, name=None, reuse=None )
inputs: 输入数据,2维tensor.
units: 该层的神经单元结点数。
activation: 激活函数.
use_bias: Boolean型,是否使用偏置项.
kernel_initializer: 卷积核的初始化器.
bias_initializer: 偏置项的初始化器,默认初始化为0.
kernel_regularizer: 卷积核化的正则化,可选.
bias_regularizer: 偏置项的正则化,可选.
activity_regularizer: 输出的正则化函数.
trainable: Boolean型,表明该层的参数是否参与训练。如果为真则变量加入到图集合中 GraphKeys.TRAINABLE_VARIABLES (see tf.Variable).
name: 层的名字.
reuse: Boolean型, 是否重复使用参数.
全连接层执行操作 outputs = activation(inputs.kernel + bias)
如果执行结果不想进行激活操作,则设置activation=None。
例:
#全连接层 dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu) dense2= tf.layers.dense(inputs=dense1, units=512, activation=tf.nn.relu) logits= tf.layers.dense(inputs=dense2, units=10, activation=None)
也可以对全连接层的参数进行正则化约束:
dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu,kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))
相关文章推荐
- tensorflow 1.0 学习:池化层(pooling)和全连接层(dense)
- tensorflow 学习笔记(八)- 池化层(pooling)和全连接层(dense)
- tensorflow学习:池化层(pooling)和全连接层(dense)
- 学习TensorFlow,concat连接两个(或多个)通道
- TensorFlow学习——MNIST read_data_sets一直报连接超时
- 学习TensorFlow,concat连接两个(或多个)通道
- Ubuntu+TensorFlow(cpu)学习探寻之旅(三)Ubuntu下连接远程服务器并传输文件
- [TensorFlow 学习笔记-07]池化函数(Pooling Function)
- 利用tensorflow实现神经网络卷积层、池化层、全连接层
- Tensorflow实战学习(十四)【卷积层、激活函数、池化层、归一化层、高级层】
- 浅谈tensorflow1.0 池化层(pooling)和全连接层(dense)
- Tensorflow深度学习入门——采用卷积和池化优化训练MNIST数据——代码+注释
- TensorFlow学习记录--3.MNIST从低级到高级(从全连接网络到卷积神经网络的解释)
- Hadoop学习笔记-001-CentOS_6.5_64_连接外网设置
- 菜鸟的 PHP 学习之路(三):一个简单的连接数据库并查询的小程序(1)
- tensorflow学习记录(一):在windows下的安装
- tensorflow学习(二)
- 深度学习框架的介绍与比较(Caffe, TensorFlow, MXNet, Torch, Theano)
- Tensorflow学习教程------lenet多标签分类
- 学习TensorFlow,保存学习到的网络结构参数并调用