在TensorFlow中封裝好了一個高級庫，tf.contrib.layers庫封裝了很多的函數，使用這個高級庫來開發將會提高效率，卷積函數使用tf.contrib.layers.conv2d，池化函數使用tf.contrib.layers.max_pool2d和tf.contrib.layers.avg_pool2d，全連接函數使用 tf.contrib.layers.fully_connected，下面來看里面封裝好的函數接口：
以最復雜的卷積為例，其他的幾個函數與之類似：
layers.conv2d(inputs, num_outputs, kernel_size, stride, padding='SAME', data_format=None, rate=1, activation_fn=tf.nn.relu, normalizer_fn=None, normalizer_params=None, weights_initializer=initializers.xavier_initializers(), weights_regularizer=None, reuse=None, variables_collections=None, outputs_collections=None, trainable=True, scope=None)
常用的參數說明：
inputs：輸入的數據
num_outputs：設置輸出的channel數量。這里不用在設置輸入的channel的數量了，該函數會自動根據shape來判斷。
kernel_size：卷積核大小，不需要帶上batch和channel，只需要輸入尺寸即可，[ 5, 5 ]就代表5x5大小的卷積核，如果長寬都一樣，可以直接寫一個5就行了。
stride：步長，默認的長寬都是相等的步長，卷積時一般都用1，默認的值也是1，如果長寬都不同，也可以用一個數組[ 1,2 ]來表示。
padding：設置填充的規則。
activation_fn：輸出后的激活函數。
weights_initializer：權重的初始化方式，默認使用的是 initializers.xavier_initializers()，能夠使得所有層的梯度保持大體相同，biases_initializer同理。
weights_regularizer：正則化項，可以加入正則函數。
trainable：是否可訓練，如作為訓練節點，必須設置為True。
下面我們使用layers構建一個網絡模型：
import tensorflow.contrib.layers as layers x = tf.placeholder(dtype=tf.float32, shape=[None, 32, 32, 3]) y = tf.placeholder(dtype=tf.float32, shape=[None, 10]) x_images = tf.reshape(x, [-1, 32, 32, 3]) h_conv1 = layers.conv2d(x_images, 64, 3, 1, activation_fn=tf.nn.relu) h_pool1 = layers.max_pool2d(h_conv1, [2, 2], stride=2, padding='SAME') h_conv2 = layers.conv2d(h_pool1, 64, 3, 1, activation_fn=tf.nn.relu) h_pool2 = layers.max_pool2d(h_conv2, [2, 2], stride=2, padding='SAME') h_conv3 = layers.conv2d(h_pool2, 32, 3, 1, activation_fn=tf.nn.relu) h_pool3 = layers.max_pool2d(h_conv3, [2, 2], stride=2, padding='SAME') h_conv4 = layers.conv2d(h_pool3, 16, 3, 1, activation_fn=tf.nn.relu) h_pool4 = layers.max_pool2d(h_conv4, [2, 2], stride=2, padding='SAME') h_conv5 = layers.conv2d(h_pool4, 10, 3, 1, activation_fn=tf.nn.relu) y_pool = tf.reshape(h_conv5, shape=[-1, 40]) y_pool = layers.fully_connected(y_pool, 10, activation_fn=None) cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=y_pool)) optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
使用layers是不是極大的簡化了網絡默寫的代碼，提升了我們的代碼效率。