TensorFlow之神经网络layers模块详解_tensorflow layers

tf.nn，tf.layers， tf.contrib概述：

我们在使用tensorflow时，会发现tf.nn，tf.layers， tf.contrib模块有很多功能是重复的，尤其是卷积操作，在使用的时候，我们可以根据需要现在不同的模块。但有些时候可以一起混用。 下面是对三个模块的简述： （1）tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。 （2）tf.layers：主要提供的高层的神经网络，主要和卷积相关的，个人感觉是对tf.nn的进一步封装，tf.nn会更底层一些。 （3）tf.contrib：tf.contrib.layers提供够将计算图中的 网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。
以上三个模块的封装程度是逐个递进的。

tf.layers模块介绍：

Layers模块属于TensorFlow的一个稳定的中层API，其源码位于tensorflow/python/layers/layers.py，其官方文档地址为https://www.tensorflow.org/api_docs/python/tf/layers ref1

tf.layers这个中层API基本上可以算是tf.nn模块的抽象，可以极大地加快模型的构建速度。

tf.layers里面有很多封装好的类和函数。

tf.layers模块提供的API：

• input(…): 用于实例化一个输入 Tensor，作为神经网络的输入。
• average_pooling1d(…): 一维平均池化层
• average_pooling2d(…): 二维平均池化层
• average_pooling3d(…): 三维平均池化层
• batch_normalization(…): 批量标准化层
• conv1d(…): 一维卷积层
• conv2d(…): 二维卷积层
• conv2d_transpose(…): 二维反卷积层
• conv3d(…): 三维卷积层
• conv3d_transpose(…): 三维反卷积层
• dense(…): 全连接层
• dropout(…): Dropout层
• flatten(…): Flatten层，即把一个 Tensor 展平
• max_pooling1d(…): 一维最大池化层
• max_pooling2d(…): 二维最大池化层
• max_pooling3d(…): 三维最大池化层
• separable_conv2d(…): 二维深度可分离卷积层

1. input

tf.layers.Input() 这个方法是用于输入数据的方法，其实类似于 tf.placeholder，相当于一个占位符的作用，当然也可以通过传入 tensor 参数来进行赋值。Input这个类在1.8里面去除掉了。只能用tf.placeholder了, 所以在新版本中使用tf.placeholder是最好的选择

• 用法

Input(
    shape=None,
    batch_size=None,
    name=None,
    dtype=tf.float32,
    sparse=False,
    tensor=None
)
1
2
3
4
5
6
7
8

• 参数说明如下：
  shape：可选，默认 None，是一个数字组成的元组或列表，但是这个 shape 比较特殊，它不包含 batch_size，比如传入的 shape 为 [32]，那么它会将 shape 转化为 [?, 32]，这里一定需要注意。
  batch_size：可选，默认 None，代表输入数据的 batch size，可以是数字或者 None。
  name：可选，默认 None，输入层的名称。
  dtype：可选，默认 tf.float32，元素的类型。
  sparse：可选，默认 False，指定是否以稀疏矩阵的形式来创建 placeholder。
  tensor：可选，默认 None，如果指定，那么创建的内容便不再是一个 placeholder，会用此 Tensor 初始化。
  返回值：
  返回一个包含历史 Meta Data 的 Tensor。
• 实例:

x = tf.layers.Input(shape=[32])
print(x)
y = tf.layers.dense(x, 16, activation=tf.nn.softmax)
print(y)
1
2
3
4

首先我们用 Input() 方法初始化了一个 placeholder，这时我们没有传入 tensor 参数，然后调用了 dense() 方法构建了一个全连接网络，激活函数使用 softmax，然后将二者输出，结果如下：

Tensor("input_layer_1:0", shape=(?, 32), dtype=float32)
Tensor("dense/Softmax:0", shape=(?, 16), dtype=float32)
1
2

这时我们发现，shape 它给我们做了转化，本来是 [32]，结果它给转化成了 [?, 32]，即第一维代表 batch_size，所以我们需要注意，在调用此方法的时候不需要去关心 batch_size 这一维。

如果我们在初始化的时候传入一个已有 Tensor，例如：

data = tf.constant([1, 2, 3])
x = tf.layers.Input(tensor=data)
print(x)
1
2
3

结果如下：

Tensor("Const:0", shape=(3,), dtype=int32)
1

可以看到它可以自动计算出其 shape 和 dtype。

2. batch_normalization

此方法是批量标准化的方法，经过处理之后可以加速训练速度，其定义在 tensorflow/python/layers/normalization.py，论文可以参考：http://arxiv.org/abs/1502.03167“Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift”。

• 用法

batch_normalization(
    inputs,
    axis=-1,
    momentum=0.99,
    epsilon=0.001,
    center=True,
    scale=True,
    beta_initializer=tf.zeros_initializer(),
    gamma_initializer=tf.ones_initializer(),
    moving_mean_initializer=tf.zeros_initializer(),
    moving_variance_initializer=tf.ones_initializer(),
    beta_regularizer=None,
    gamma_regularizer=None,
    beta_constraint=None,
    gamma_constraint=None,
    training=False,
    trainable=True,
    name=None,
    reuse=None,
    renorm=
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20