TensorFlow——tf.contrib.layers庫中的相關API

在TensorFlow中封裝好了一個高級庫，tf.contrib.layers庫封裝了不少的函數，使用這個高級庫來開發將會提升效率，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，全鏈接函數使用 tf.contrib.layers.fully_connected，下面來看裏面封裝好的函數接口：

以最複雜的卷積爲例，其餘的幾個函數與之相似：

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)

經常使用的參數說明：

inputs：輸入的數據

num_outputs：設置輸出的channel數量。這裏不用在設置輸入的channel的數量了，該函數會自動根據shape來判斷。

kernel_size：卷積核大小，不須要帶上batch和channel，只須要輸入尺寸便可，[ 5, 5 ]就表明5x5大小的卷積核，若是長寬都同樣，能夠直接寫一個5就好了。

stride：步長，默認的長寬都是相等的步長，卷積時通常都用1，默認的值也是1，若是長寬都不一樣，也能夠用一個數組[ 1,2 ]來表示。

padding：設置填充的規則。

activation_fn：輸出後的激活函數。

weights_initializer：權重的初始化方式，默認使用的是 initializers.xavier_initializers()，可以使得全部層的梯度保持大致相同，biases_initializer同理。

weights_regularizer：正則化項，能夠加入正則函數。

trainable：是否可訓練，如做爲訓練節點，必須設置爲True。

下面咱們使用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是否是極大的簡化了網絡默寫的代碼，提高了咱們的代碼效率。