tensorflow学习:池化层(pooling)和全连接层(dense)
2017-12-02 11:19
423 查看
一、池化层的github中的比较官方的定义:
池化层定义
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,也可以直接设置为一个数,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。默认为valid
data_format: 输入数据格式,默认为channels_last ,即 (batch, height, width, channels),也可以设置为channels_first 对应 (batch, channels, height, width).
name: 层的名字。
例如:
池化层一般放在卷积之后的位置上,如:
2、tf.layers.average_pooling2d
参数的具体含义跟最大值池化的含义一样,这里就不再进行过多的陈述。
二、全连接dense层定义在github中也有相应的定义:
全连接层的定义
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。
例如:
最后可以对全连接层进行正则化约束:
池化层定义
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,也可以直接设置为一个数,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。默认为valid
data_format: 输入数据格式,默认为channels_last ,即 (batch, height, width, channels),也可以设置为channels_first 对应 (batch, channels, height, width).
name: 层的名字。
例如:
pool1=tf.layers.max_pooling2d(inputs=x, pool_size=[2, 2], strides=2)
池化层一般放在卷积之后的位置上,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)
2、tf.layers.average_pooling2d
average_pooling2d( inputs, pool_size, strides, padding='valid', data_format='channels_last', name=None )
参数的具体含义跟最大值池化的含义一样,这里就不再进行过多的陈述。
二、全连接dense层定义在github中也有相应的定义:
全连接层的定义
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, 4000 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。
例如:
#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)
最后可以对全连接层进行正则化约束:
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)
- 浅谈tensorflow1.0 池化层(pooling)和全连接层(dense)
- Tensorflow学习(4)池化层和全连接层
- tensorflow 池化操作实例 tf.nn.max_pooling
- [TensorFlow 学习笔记-07]池化函数(Pooling Function)
- 深度学习笔记(一)空间金字塔池化阅读笔记Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 深度学习笔记空间金字塔池化阅读笔记Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 深度学习: pooling (池化 / 降采样)
- 利用tensorflow实现神经网络卷积层、池化层、全连接层
- TensorFlow学习——MNIST read_data_sets一直报连接超时
- 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)
- 学习TensorFlow,concat连接两个(或多个)通道
- Tensorflow实战学习(十四)【卷积层、激活函数、池化层、归一化层、高级层】
- 深度学习与TensorFlow实战(五)全连接网络基础—模块化搭建神经网络
- 学习TensorFlow,concat连接两个(或多个)通道
- 深度学习与TensorFlow实战(六)全连接网络基础—MNIST数据集输出手写数字识别准确率
- 深度学习与TensorFlow实战(七)全连接网络基础—真实图片输出手写数字识别准确率
- Ubuntu+TensorFlow(cpu)学习探寻之旅(三)Ubuntu下连接远程服务器并传输文件