tensorflow的一些函数：conv2d、max_pool、relu、flatten、fully_connected等_conv2d relu

1.   tf.nn.conv2d

def conv2d(input,  # 张量输入
           filter, # 卷积核参数
	   strides, # 步长参数
	   padding, # 卷积方式
	   use_cudnn_on_gpu=None, # 是否是gpu加速
           data_format=None,  # 数据格式，与步长参数配合，决定移动方式
           name=None): # 名字，用于tensorboard图形显示时使用

第一个参数input: 输入的图像，需要是一个4D的tensor[batch,height,width,channel],要求类型为float32和float64其中之一

第二个参数filter: 卷积核，要求一个4D的tensor[height, width,in_channel,out_channel]类型与input相同

第三个参数strides：步长，一个一维的向量，长度为4，[1,height,width,1],通常heigh和width都是相同的。表示滑动的步长

第四个参数padding:string的类型，只能是"SAME"和”valid“之一。same是填充padding,输出图片大小跟步长有关。valid是无padding，输出图片大小根据具体的公式计算。

第五个参数use_cudnn_un_gpu：是否使用cudnn加速，默认为true.

例如：步长为1，填充same

tf.nn.conv2d(x,w1,strides=[1,1,1,1],padding="SAME")

 2.  tf.nn.max_pool

tf.nn.max_pool(value, ksize, strides, padding, name=None)

第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape

第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]

第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'

返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

例如：池化窗口8*8  步长8*8  填充same

tf.nn.max_pool(a,ksize=[1,8,8,1],strides=[1,8,8,1],padding="SAME")

3.  tf.relu

tf.nn.relu(features, name = None)

函数是将大于0的数保持不变，小于0的数置为0，在卷积神经网络中提供非线性。

import tensorflow as tf
 
a = tf.constant([[-2,-4],[4,-2]])
 
with tf.Session() as sess:
 
 	print(sess.run(tf.nn.relu(a)))

[[0 0]
 [4 0]]

4. tf.contrib.layers.flatten

 tf.contrib.layers.flatten(A)

给定一个输入A， 此函数将其每个样本转化为一维的向量，然后返回一个tensor，其维度为（batchsize,k）,一般应用在卷积神经网络全连接层前，因为全连接层需要将输入数据变为一个向量。

例如：A是100*7*7*64的矩阵，通过转换后变成100*3136的矩阵。100是batchsize, 3136是7*7*64的乘积

5.  tf.contrib.layers.fully_connected

tf.contrib.layers.fully_connected(
    inputs,
    num_outputs,
    activation_fn=tf.nn.relu,
    normalizer_fn=None,
    normalizer_params=None,
    weights_initializer=initializers.xavier_initializer(),
    weights_regularizer=None,
    biases_initializer=tf.zeros_initializer(),
    biases_regularizer=None,
    reuse=None,
    variables_collections=None,
    outputs_collections=None,
    trainable=True,
    scope=None
)

给定一个一维化的输入input, 输出个数num_outputs, 默认采用relu激活函数（可以None,不采用激活函数）。tensorflow的全连接层会自动初始化权值（w,b）并在模型训练时一直参与，所以在初始化参数的时候我们不需要去初始化他们。

例如：使用没有非线性激活函数的全连接层，输出为6个神经元

tf.contrib.layers.fully_connected(P,6,activation_fn=None)

6.  tf.equal

tf.equal(a,b,name=None)

a,b维度必须相同，判断a,b是否相等，对a,b中的元素逐个进行判断，如果相等就是true,不相等就是false

import tensorflow as tf
a = [[1,2,3],[4,5,6]]
b = [[1,0,3],[1,5,1]]
with tf.Session() as sess:
    print(sess.run(tf.equal(a,b)))
 
[[ True False  True]
 [False  True False]]

7.  tf.cast

tf.cast(x,dtype,name=None)

函数的作用是执行张量数据类型转换。dtype是目标数据类型。

t1 = tf.Variable([1,2,3,4,5])
t2 = tf.cast(t1,dtype=tf.float32)
 
[ 1.  2.  3.  4.  5.]

8.  tf.reduce_mean

tf.reduce_mean(input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)

第一个参数input_tensor： 输入的待降维的tensor;

第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;

第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;

第四个参数name： 操作的名称;

import tensorflow as tf
 x = [[1,2,3],
      [1,2,3]]
 xx = tf.cast(x,tf.float32)
 mean_all = tf.reduce_mean(xx, keep_dims=False)       #所有元素的平均值
 mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False) #纵轴
 mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False) #横轴
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

类似函数还有:

tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;

tf.reduce_max  :  计算tensor指定轴方向上的各个元素的最大值;

tf.reduce_all :  计算tensor指定轴方向上的各个元素的逻辑和（and运算）;

tf.reduce_any:  计算tensor指定轴方向上的各个元素的逻辑或（or运算）;

9.tf.boolean_mask

tf.boolean_mask(
    tensor,
    mask,
    name='boolean_mask',
    axis=None
)

 将输入的数组tensor，根据mask掩码， 挑出想要的数据输出.

import tensorflow as tf
a = [1, 2, 3, 4]
mask = [True, False, True, False]
sess = tf.Session()
print(sess.run(tf.boolean_mask(a, mask))) #[1 3]

参考链接

https://blog.csdn.net/LiQingBB/article/details/83449842

https://blog.csdn.net/Sophia_11/article/details/84729102

https://blog.csdn.net/dcrmg/article/details/79797826

https://blog.csdn.net/dcrmg/article/details/79747814

https://blog.csdn.net/ustbbsy/article/details/79564529

https://blog.csdn.net/fyq201749/article/details/82776968