TensorFlow 机器学实战指南示例代码之 TensorFlow 的多层 Layer

"""
TensorFlow 的多层 Layer
"""

import os
import tensorflow as tf
import numpy as np

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

s = tf.Session()

# TensorFlow 的图像函数处理的图像是四维(图像的数量,高度,宽度和颜色通道)

# 创建 4*4 像素图片
x_shape = [1, 4, 4, 1]
x_val = np.random.uniform(size=x_shape)

# 在计算图中创建占位符,占位符是用来传入图片的
x_data = tf.placeholder(tf.float32, shape=x_shape)

# 使用 TensorFlow 内建函数创建过滤 4*4 图像的滑动窗口
# 卷积 2*2 形状的常量窗口
my_filter = tf.constant(0.25, shape=[2, 2, 1, 1])

# 创建一个 2*2 的窗口,每个方向长度为2的步长
my_strides = [1, 2, 2, 1]

"""
第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]
注意这是一个4维的Tensor，要求类型为float32和float64其中之一

第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，
具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，
就是参数input的第四维

第三个参数strides：卷积时在图像每一维的步长

第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
"""

# 通过 conv2d 的函数的 name 参数,把这层 Layer 命名为 "Moving_Avg_Window"
mov_avg_layer = tf.nn.conv2d(x_data, my_filter, my_strides, padding='SAME', use_cudnn_on_gpu=False,
name='Moving_Avg_Window')

# 自定义一个 Layer，操作滑动窗口平均的 2*2 的返回值

def custom_layer(input_matrix):
input_matrix_sqeezed = tf.squeeze(input_matrix)  # 通过TensorFlow 内建函数 squeeze() 剪裁，去掉维度为 1 的维
a = tf.constant([[1., 2.], [-1., 3.]])
b = tf.constant(1., shape=[2, 2])
temp1 = tf.matmul(a, input_matrix_sqeezed)
temp = tf.add(temp1, b)  # Ax + b
return tf.sigmoid(temp)

# 把刚定义的 Layer 加入到计算图中,并用 tf.name_scope() 命名唯一的 Layer 名字

with tf.name_scope('Custom_Layer') as scope:
custom_layer1 = custom_layer(mov_avg_layer)

# 为占位符传入 4*4 像素图片,然后执行计算图
print(s.run(custom_layer1, feed_dict={x_data: x_val}))