tensorflow学习:池化层(pooling)和全连接层(dense)
来源:互联网 发布:javzoo最新域名 编辑:程序博客网 时间:2024/06/03 19:20
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
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, 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))
阅读全文
0 0
- tensorflow学习:池化层(pooling)和全连接层(dense)
- 4. tensorflow之全连接层(dense)
- Tensorflow学习(4)池化层和全连接层
- Global Average Pooling对全连接层的可替代性分析
- Tensorflow CNN(两层卷积+全连接+softmax)
- caffe用python设置网络的Convolution层Pooling层和LRN--caffe学习(4))
- caffe学习笔记24-Pooling层学习
- 深度学习: Full Connection (全连接层)
- 【深度学习】caffe之pooling层
- tensorflow 多元全连接
- 深度学习中卷基层和全连接层训练参数个数如何确定
- TensorFlow学习笔记(4)----完整的工程示例:全连接前馈网络识别MNIST
- TensorFlow学习笔记(5)——训练全连接神经网络
- 基于Tensorflow的机器学习(5) -- 全连接神经网络
- 全连接层解析(一)
- 神经网络-全连接层(1)
- 神经网络-全连接层
- 全连接层
- LeetCode--Convert Sorted Array to Binary Search Tree
- LeetCode 105. Construct Binary Tree from Preorder and Inorder Traversal
- 【Scikit-Learn 中文文档】优化估计器的超参数
- 【推荐系统】推荐系统常用数据集
- spring boot
- tensorflow学习:池化层(pooling)和全连接层(dense)
- ubuntu 安装docker
- 自学Python之Python基础:(七)字符串处理技巧
- java多线程之-死锁
- 编译原理之ll(1)文法判断和左递归问题
- HDOJ2140 Michael Scofield's letter
- ssm整合笔记
- 【Scikit-Learn 中文文档】模型评估: 量化预测的质量
- CRC原理详解(附crc16校验代码)