Tensorflow学习（2）

1.0版本中的卷积函数:tf.layers.conv2d

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,    trainable=True,    name=None,    reuse=None)

定义在tensorflow/python/layers/convolutional.py.

参数多了很多，但实际用起来，却更简单。

• inputs: 输入数据，4维tensor.
• filters: 卷积核个数。
• kernel_size:卷积核大小，如【5，5】。如果长宽相等，也可以直接设置为一个数，如kernel_size=5
• strides: 卷积过程中的滑动步长，默认为[1,1]. 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).

• dilation_rate: 微步长卷积，这个比较复杂一些，请百度.

• 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.
  示例：

conv1=tf.layers.conv2d(      inputs=x,      filters=32,      kernel_size=5,      padding="same",      activation=tf.nn.relu,      kernel_initializer=tf.TruncatedNormal(stddev=0.01))

更复杂一些的

conv1 = tf.layers.conv2d(batch_images,                          filters=64,                         kernel_size=7,                         strides=2,                         activation=tf.nn.relu,                         kernel_initializer=tf.TruncatedNormal(stddev=0.01)                         bias_initializer=tf.Constant(0.1),                         kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003),                         bias_regularizer=tf.contrib.layers.l2_regularizer(0.003),                         name='conv1')