TensorFlow卷積網絡常用函數參數詳細總結

卷積操作

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name參數用以指定該操作的name，與方法有關的一共五個參數：

• input： 
  指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 圖像通道數]，注意這是一個4維的Tensor，要求類型為float32和float64其中之一；
• filter： 
  相當於CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數]，要求類型與參數input相同，有一個地方需要注意，第三維in_channels，就是參數input的第四維；表示的是卷積層的權重，權重的類型必須與數據的類型一致。
• strides： 
  卷積時在圖像每一維的步長，這是一個一維的向量，長度4
• padding： string類型的量，只能是”SAME”,”VALID”其中之一，這個值決定了不同的卷積方式，選項為"SAME"或"VALID",其中"SAME"表示添加全0填充，保證卷積前輸入的矩陣和卷積后的輸出矩陣大小一致，"VALID"表示不添加。
• use_cudnn_on_gpu： bool類型，是否使用cudnn加速，默認為true

結果返回一個Tensor，這個輸出，就是我們常說的feature map

 

防止過擬合

tf.nn.dropout(x,keep_prob,noise_shape=None,seed=None, name=None)

l  x：指輸入，輸入tensor

l  keep_prob: float類型，每個元素被保留下來的概率，設置神經元被選中的概率,在初始化時keep_prob是一個占位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run時設置keep_prob具體的值，例如keep_prob: 0.5

l  noise_shape  : 一個1維的int32張量，代表了隨機產生“保留/丟棄”標志的shape。

l  seed : 整形變量，隨機數種子。

l  name：指定該操作的名字

dropout必須設置概率keep_prob，並且keep_prob也是一個占位符，跟輸入是一樣的

keep_prob = tf.placeholder(tf.float32)

train的時候才是dropout起作用的時候，test的時候不應該讓dropout起作用

 

tf.truncated_normal(shape,mean=0.0, stddev=1.0,dtype=tf.float32,seed=None,name=None)

從截斷的正態分布中輸出隨機值。生成的值遵循具有指定平均值和標准偏差的正態分布，不同之處在於其平均值大於 2 個標准差的值將被丟棄並重新選擇。

l  shape：一維整數張量或 Python 數組，輸出張量的形狀。

l  mean：dtype 類型的 0-D 張量或 Python 值，截斷正態分布的均值。

l  stddev：dtype 類型的 0-D 張量或 Python 值，截斷前正態分布的標准偏差。

l  dtype：輸出的類型。

l  seed：一個 Python 整數。用於為分發創建隨機種子。查看tf.set_random_seed行為。

l  name：操作的名稱（可選）。

        函數返回值：tf.truncated_normal函數返回指定形狀的張量填充隨機截斷的正常值。

 

最大值池化操作

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

參數是四個，和卷積很類似：

l  value：需要池化的輸入，一般池化層接在卷積層后面，所以輸入通常是feature map，依然是[batch, height, width, channels]這樣的shape

l  ksize：池化窗口的大小，取一個四維向量，一般是[1, height, width, 1]，因為我們不想在batch和channels上做池化，所以這兩個維度設為了1

l  strides：和卷積類似，窗口在每一個維度上滑動的步長，一般也是[1, stride,stride, 1]

l  padding：和卷積類似，可以取'VALID' 或者'SAME'

返回一個Tensor，類型不變，shape仍然是[batch, height, width, channels]這種形式

 

兩個矩陣中對應元素各自相乘

 tf.multiply(x, y, name=None) 

參數:

l  x: 一個類型為:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的張量。

l  y: 一個類型跟張量x相同的張量。  

返回值： x * y element-wise.  

注意： 

（1）       multiply這個函數實現的是元素級別的相乘，也就是兩個相乘的數元素各自相乘，而不是矩陣乘法，注意和tf.matmul區別。 

（2）       兩個相乘的數必須有相同的數據類型，不然就會報錯。

 

將矩陣a乘以矩陣b，生成a * b。

 tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None) 

參數: 

l  a: 一個類型為 float16, float32, float64, int32, complex64, complex128 且張量秩 > 1 的張量。 

l  b: 一個類型跟張量a相同的張量。 

l  transpose_a: 如果為真, a則在進行乘法計算前進行轉置。 

l  transpose_b: 如果為真, b則在進行乘法計算前進行轉置。 

l  adjoint_a: 如果為真, a則在進行乘法計算前進行共軛和轉置。 

l  adjoint_b: 如果為真, b則在進行乘法計算前進行共軛和轉置。 

l  a_is_sparse: 如果為真, a會被處理為稀疏矩陣。 

l  b_is_sparse: 如果為真, b會被處理為稀疏矩陣。 

l  name: 操作的名字（可選參數） 

返回值：一個跟張量a和張量b類型一樣的張量且最內部矩陣是a和b中的相應矩陣的乘積。 

注意： 

（1）輸入必須是矩陣（或者是張量秩 >２的張量，表示成批的矩陣），並且其在轉置之后有相匹配的矩陣尺寸。 

（2）兩個矩陣必須都是同樣的類型，支持的類型如下：float16, float32, float64, int32, complex64, complex128。 

引發錯誤: 

ValueError: 如果transpose_a 和 adjoint_a, 或 transpose_b 和 adjoint_b 都被設置為真

 

TF-激活函數 tf.nn.relu

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

作用：

計算激活函數 relu，即 max(features, 0)。即將矩陣中每行的非最大值置0。是將大於0的數保持不變，小於0的數置為0，計算修正線性單元(非常常用)：max(features, 0).並且返回和feature一樣的形狀的tensor。

參數：

l  features: tensor類型，必須是這些類型：A Tensor. float32, float64, int32, int64, uint8, int16, int8, uint16, half.

l  name: ：操作名稱（可選）

 

重塑張量

reshape( tensor, shape, name=None )

參數：

• tensor：一個Tensor。
• shape：一個Tensor；必須是以下類型之一：int32，int64；用於定義輸出張量的形狀。
• name：操作的名稱（可選）。

返回值：

該操作返回一個Tensor。與tensor具有相同的類型。

 

用於定義創建變量（層）的操作的上下文管理器。 

_init__( name_or_scope, default_name=None, values=None, initializer=None, regularizer=None, caching_device=None, partitioner=None, custom_getter=None, reuse=None, dtype=None, use_resource=None, constraint=None, auxiliary_name_scope=True )

參數：

• name_or_scope：string或者VariableScope表示打開的范圍。
• default_name：如果name_or_scope參數為None，則使用默認的名稱，該名稱將是唯一的；如果提供了name_or_scope，它將不會被使用，因此它不是必需的，並且可以是None。
• values：傳遞給操作函數的Tensor參數列表。
• initializer：此范圍內變量的默認初始值設定項。
• regularizer：此范圍內變量的默認正規化器。
• caching_device：此范圍內變量的默認緩存設備。
• partitioner：此范圍內變量的默認分區程序。
• custom_getter：此范圍內的變量的默認自定義吸氣。
• reuse：可以是True、None或tf.AUTO_REUSE；如果是True，則我們進入此范圍的重用模式以及所有子范圍；如果是tf.AUTO_REUSE，則我們創建變量（如果它們不存在），否則返回它們；如果是None，則我們繼承父范圍的重用標志。當啟用緊急執行時，該參數總是被強制為tf.AUTO_REUSE。
• dtype：在此范圍中創建的變量類型（默​​認為傳入范圍中的類型，或從父范圍繼承）。
• use_resource：如果為false，則所有變量都將是常規變量；如果為true，則將使用具有明確定義的語義的實驗性 ResourceVariables。默認為false（稍后將更改為true）。當啟用緊急執行時，該參數總是被強制為true。
• constraint：一個可選的投影函數，在被Optimizer（例如用於實現層權重的范數約束或值約束）更新之后應用於該變量。該函數必須將代表變量值的未投影張量作為輸入，並返回投影值的張量（它必須具有相同的形狀）。進行異步分布式培訓時，約束條件的使用是不安全的。
• auxiliary_name_scope：如果為True，則我們用范圍創建一個輔助名稱范圍；如果為False，則我們不接觸名稱范圍。

返回值：

返回可以捕獲和重用的范圍。

可能引發的異常：

• ValueError：在創建范圍內嘗試重用時，或在重用范圍內創建時。
• TypeError：某些參數的類型不合適時。

https://www.w3cschool.cn/tensorflow_python/tensorflow_python-61ue2ocp.html

 

計算張量的各個維度上的元素的平均值

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

參數：

• input_tensor：要減少的張量。應該有數字類型。
• axis：要減小的尺寸。如果為None（默認），則減少所有維度。必須在[-rank(input_tensor),      rank(input_tensor))范圍內。
• keep_dims：如果為true，則保留長度為1的縮小尺寸。
• name：操作的名稱（可選）。
• reduction_indices：axis的不支持使用的名稱。

返回：該函數返回減少的張量。numpy兼容性相當於np.mean

 

轉換數據類型

tf.cast(x, dtype, name=None)  
將x的數據格式轉化成dtype.例如，原來x的數據格式是bool，  
那么將其轉化成float以后，就能夠將其轉化成0和1的序列。反之也可以

求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False,name=None)
參數1--input_tensor:待求值的tensor。
參數2--reduction_indices:在哪一維上求解。

舉例說明：
# 'x' is [[1., 2.]
#         [3., 4.]]
x是一個2維數組，分別調用reduce_*函數如下：
首先求平均值：
tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2.,  3.] #指定第二個參數為0，則第一維的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5,  3.5] #指定第二個參數為1，則第二維的元素取平均值，即每一行求平均值

 

#使用優化算法使得代價函數最小化

tf.train.AdamOptimizer

__init__(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam')
此函數是Adam優化算法：是一個尋找全局最優點的優化算法，引入了二次方梯度校正。
相比於基礎SGD算法，1.不容易陷於局部優點。2.速度更快！

 

計算交叉熵的代價函數

reduce_sum （input_tensor ， axis = None ， keep_dims = False ，  name = None ， reduction_indices = None）
此函數計算一個張量的各個維度上元素的總和。
函數中的input_tensor是按照axis中已經給定的維度來減少的；除非 keep_dims 是true，否則張量的秩將在axis的每個條目中減少1；如果keep_dims為true，則減小的維度將保留為長度1。 如果axis沒有條目，則縮小所有維度，並返回具有單個元素的張量。
參數：

l  input_tensor：要減少的張量。應該有數字類型。

l  axis：要減小的尺寸。如果為None（默認），則縮小所有尺寸。必須在范圍[-rank(input_tensor), rank(input_tensor))內。

l  keep_dims：如果為true，則保留長度為1的縮小尺寸。

l  name：操作的名稱（可選）。

l  reduction_indices：axis的廢棄的名稱。
返回：
該函數返回減少的張量。 numpy兼容性 相當於np.sum

 

對比這兩個矩陣或者向量的相等的元素

tf.equal(A, B)

如果是相等的那就返回True，反正返回False，返回的值的矩陣維度和A是一樣的

例如：
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session() as sess:
    print(sess.run(tf.equal(A, B)))
[[ True  True  True False False]]
該函數將返回一個 bool 類型的張量。

 

獲取具有這些參數的現有變量或創建一個新變量。 

get_variable( name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, use_resource=None, custom_getter=None )

參數：

• name：新變量或現有變量的名稱。
• shape：新變量或現有變量的形狀。
• dtype：新變量或現有變量的類型（默認為      DT_FLOAT）。
• initializer：創建變量的初始化器。
• regularizer：一個函數（張量 - >張量或無）；將其應用於新創建的變量的結果將被添加到集合 tf.GraphKeys.REGULARIZATION_LOSSES 中，並可用於正則化。
• trainable：如果為 True，還將變量添加到圖形集合：GraphKeys.TRAINABLE_VARIABLES。
• collections：要將變量添加到其中的圖形集合鍵的列表。默認為 [GraphKeys.LOCAL_VARIABLES]。
• caching_device：可選的設備字符串或函數，描述變量應該被緩存以讀取的位置。默認為變量的設備，如果不是 None，則在其他設備上進行緩存。典型的用法的在使用該變量的操作所在的設備上進行緩存，通過 Switch 和其他條件語句來復制重復數據刪除。 
• partitioner：（可選）可調用性，它接受要創建的變量的完全定義的 TensorShape 和 dtype，並且返回每個坐標軸的分區列表（當前只能對一個坐標軸進行分區）。
• validate_shape：如果為假，則允許使用未知形狀的值初始化變量。如果為真，則默認情況下，initial_value 的形狀必須是已知的。
• use_resource：如果為假，則創建一個常規變量。如果為真，則創建一個實驗性的 ResourceVariable，而不是具有明確定義的語義。默認為假（稍后將更改為真）。
• custom_getter：可調用的，將第一個參數作為真正的 getter，並允許覆蓋內部的      get_variable 方法。custom_getter      的簽名應該符合這種方法，但最經得起未來考驗的版本將允許更改：def custom_getter(getter, *args, **kwargs)。還允許直接訪問所有 get_variable 參數：def      custom_getter(getter, name, *args, **kwargs)。創建具有修改的名稱的變量的簡單標識自定義 getter 是：python def      custom_getter(getter, name, *args, **kwargs): return getter(name +      '_suffix', *args, **kwargs) 

返回值：創建或存在Variable（或者PartitionedVariable，如果使用分區器）。

可能引發的異常：

• ValueError：當創建新的變量和形狀時，在變量創建時違反重用，或當 initializer 的 dtype 和 dtype 不匹配時。在      variable_scope 中設置重用。

 

 

 

 

tf.truncated_normal_initializer函數

生成截斷正態分布的初始化程序。

tf.truncated_normal_initializer方法

__init__(

    mean=0.0,

    stddev=1.0,

    seed=None,

    dtype=tf.float32

)

__call__(

    shape,

    dtype=None,

    partition_info=None

)

from_config(

    cls,

    config

)

函數參數：

• mean：一個 python 標量或一個標量張量，要生成的隨機值的均值。
• stddev：一個 python 標量或一個標量張量，要生成的隨機值的標准偏差。
• seed：一個 Python 整數，用於創建隨機種子。查看tf.set_random_seed行為。
• dtype：數據類型，僅支持浮點類型。

 

LRN函數類似DROPOUT和數據增強作為relu激勵之后防止數據過擬合而提出的一種處理方法,全稱是 local response normalization--局部響應標准化

tf.nn.lrn

def lrn(input, depth_radius=None, bias=None, alpha=None, beta=None,name=None):

 

tf.nn.bias_add()

 一個叫bias的向量加到一個叫value的矩陣上，是向量與矩陣的每一行進行相加，得到的結果和value矩陣大小相同。