TensorFlow卷积网络常用函数参数详细总结

卷积操作

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

除去name参数用以指定该操作的name，与方法有关的一共五个参数：

• input： 
  指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一；
• filter： 
  相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维；表示的是卷积层的权重，权重的类型必须与数据的类型一致。
• strides： 
  卷积时在图像每一维的步长，这是一个一维的向量，长度4
• padding： string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的卷积方式，选项为"SAME"或"VALID",其中"SAME"表示添加全0填充，保证卷积前输入的矩阵和卷积后的输出矩阵大小一致，"VALID"表示不添加。
• use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，这个输出，就是我们常说的feature map

 

防止过拟合

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

l  x：指输入，输入tensor

l  keep_prob: float类型，每个元素被保留下来的概率，设置神经元被选中的概率,在初始化时keep_prob是一个占位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run时设置keep_prob具体的值，例如keep_prob: 0.5

l  noise_shape  : 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。

l  seed : 整形变量，随机数种子。

l  name：指定该操作的名字

dropout必须设置概率keep_prob，并且keep_prob也是一个占位符，跟输入是一样的

keep_prob = tf.placeholder(tf.float32)

train的时候才是dropout起作用的时候，test的时候不应该让dropout起作用

 

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

从截断的正态分布中输出随机值。生成的值遵循具有指定平均值和标准偏差的正态分布，不同之处在于其平均值大于 2 个标准差的值将被丢弃并重新选择。

l  shape：一维整数张量或 Python 数组，输出张量的形状。

l  mean：dtype 类型的 0-D 张量或 Python 值，截断正态分布的均值。

l  stddev：dtype 类型的 0-D 张量或 Python 值，截断前正态分布的标准偏差。

l  dtype：输出的类型。

l  seed：一个 Python 整数。用于为分发创建随机种子。查看tf.set_random_seed行为。

l  name：操作的名称（可选）。

        函数返回值：tf.truncated_normal函数返回指定形状的张量填充随机截断的正常值。

 

最大值池化操作

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

参数是四个，和卷积很类似：

l  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

l  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

l  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]

l  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

 

两个矩阵中对应元素各自相乘

 tf.multiply(x, y, name=None) 

参数:

l  x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。

l  y: 一个类型跟张量x相同的张量。  

返回值： x * y element-wise.  

注意： 

（1）       multiply这个函数实现的是元素级别的相乘，也就是两个相乘的数元素各自相乘，而不是矩阵乘法，注意和tf.matmul区别。 

（2）       两个相乘的数必须有相同的数据类型，不然就会报错。

 

将矩阵a乘以矩阵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) 

参数: 

l  a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。 

l  b: 一个类型跟张量a相同的张量。 

l  transpose_a: 如果为真, a则在进行乘法计算前进行转置。 

l  transpose_b: 如果为真, b则在进行乘法计算前进行转置。 

l  adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。 

l  adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。 

l  a_is_sparse: 如果为真, a会被处理为稀疏矩阵。 

l  b_is_sparse: 如果为真, b会被处理为稀疏矩阵。 

l  name: 操作的名字（可选参数） 

返回值：一个跟张量a和张量b类型一样的张量且最内部矩阵是a和b中的相应矩阵的乘积。 

注意： 

（1）输入必须是矩阵（或者是张量秩 >２的张量，表示成批的矩阵），并且其在转置之后有相匹配的矩阵尺寸。 

（2）两个矩阵必须都是同样的类型，支持的类型如下：float16, float32, float64, int32, complex64, complex128。 

引发错误: 

ValueError: 如果transpose_a 和 adjoint_a, 或 transpose_b 和 adjoint_b 都被设置为真

 

TF-激活函数 tf.nn.relu

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

作用：

计算激活函数 relu，即 max(features, 0)。即将矩阵中每行的非最大值置0。是将大于0的数保持不变，小于0的数置为0，计算修正线性单元(非常常用)：max(features, 0).并且返回和feature一样的形状的tensor。

参数：

l  features: tensor类型，必须是这些类型：A Tensor. float32, float64, int32, int64, uint8, int16, int8, uint16, half.

l  name: ：操作名称（可选）

 

重塑张量

reshape( tensor, shape, name=None )

参数：

• tensor：一个Tensor。
• shape：一个Tensor；必须是以下类型之一：int32，int64；用于定义输出张量的形状。
• name：操作的名称（可选）。

返回值：

该操作返回一个Tensor。与tensor具有相同的类型。

 

用于定义创建变量（层）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 )

参数：

• name_or_scope：string或者VariableScope表示打开的范围。
• default_name：如果name_or_scope参数为None，则使用默认的名称，该名称将是唯一的；如果提供了name_or_scope，它将不会被使用，因此它不是必需的，并且可以是None。
• values：传递给操作函数的Tensor参数列表。
• initializer：此范围内变量的默认初始值设定项。
• regularizer：此范围内变量的默认正规化器。
• caching_device：此范围内变量的默认缓存设备。
• partitioner：此范围内变量的默认分区程序。
• custom_getter：此范围内的变量的默认自定义吸气。
• reuse：可以是True、None或tf.AUTO_REUSE；如果是True，则我们进入此范围的重用模式以及所有子范围；如果是tf.AUTO_REUSE，则我们创建变量（如果它们不存在），否则返回它们；如果是None，则我们继承父范围的重用标志。当启用紧急执行时，该参数总是被强制为tf.AUTO_REUSE。
• dtype：在此范围中创建的变量类型（默​​认为传入范围中的类型，或从父范围继承）。
• use_resource：如果为false，则所有变量都将是常规变量；如果为true，则将使用具有明确定义的语义的实验性 ResourceVariables。默认为false（稍后将更改为true）。当启用紧急执行时，该参数总是被强制为true。
• constraint：一个可选的投影函数，在被Optimizer（例如用于实现层权重的范数约束或值约束）更新之后应用于该变量。该函数必须将代表变量值的未投影张量作为输入，并返回投影值的张量（它必须具有相同的形状）。进行异步分布式培训时，约束条件的使用是不安全的。
• auxiliary_name_scope：如果为True，则我们用范围创建一个辅助名称范围；如果为False，则我们不接触名称范围。

返回值：

返回可以捕获和重用的范围。

可能引发的异常：

• ValueError：在创建范围内尝试重用时，或在重用范围内创建时。
• TypeError：某些参数的类型不合适时。

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

 

计算张量的各个维度上的元素的平均值

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

参数：

• input_tensor：要减少的张量。应该有数字类型。
• axis：要减小的尺寸。如果为None（默认），则减少所有维度。必须在[-rank(input_tensor),      rank(input_tensor))范围内。
• keep_dims：如果为true，则保留长度为1的缩小尺寸。
• name：操作的名称（可选）。
• reduction_indices：axis的不支持使用的名称。

返回：该函数返回减少的张量。numpy兼容性相当于np.mean

 

转换数据类型

tf.cast(x, dtype, name=None)  
将x的数据格式转化成dtype.例如，原来x的数据格式是bool，  
那么将其转化成float以后，就能够将其转化成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)
参数1--input_tensor:待求值的tensor。
参数2--reduction_indices:在哪一维上求解。

举例说明：
# 'x' is [[1., 2.]
#         [3., 4.]]
x是一个2维数组，分别调用reduce_*函数如下：
首先求平均值：
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2.,  3.] #指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5,  3.5] #指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值

 

#使用优化算法使得代价函数最小化

tf.train.AdamOptimizer

__init__(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam')
此函数是Adam优化算法：是一个寻找全局最优点的优化算法，引入了二次方梯度校正。
相比于基础SGD算法，1.不容易陷于局部优点。2.速度更快！

 

计算交叉熵的代价函数

reduce_sum （input_tensor ， axis = None ， keep_dims = False ，  name = None ， reduction_indices = None）
此函数计算一个张量的各个维度上元素的总和。
函数中的input_tensor是按照axis中已经给定的维度来减少的；除非 keep_dims 是true，否则张量的秩将在axis的每个条目中减少1；如果keep_dims为true，则减小的维度将保留为长度1。 如果axis没有条目，则缩小所有维度，并返回具有单个元素的张量。
参数：

l  input_tensor：要减少的张量。应该有数字类型。

l  axis：要减小的尺寸。如果为None（默认），则缩小所有尺寸。必须在范围[-rank(input_tensor), rank(input_tensor))内。

l  keep_dims：如果为true，则保留长度为1的缩小尺寸。

l  name：操作的名称（可选）。

l  reduction_indices：axis的废弃的名称。
返回：
该函数返回减少的张量。 numpy兼容性 相当于np.sum

 

对比这两个矩阵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，返回的值的矩阵维度和A是一样的

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]]
该函数将返回一个 bool 类型的张量。

 

获取具有这些参数的现有变量或创建一个新变量。 

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 )

参数：

• name：新变量或现有变量的名称。
• shape：新变量或现有变量的形状。
• dtype：新变量或现有变量的类型（默认为      DT_FLOAT）。
• initializer：创建变量的初始化器。
• regularizer：一个函数（张量 - >张量或无）；将其应用于新创建的变量的结果将被添加到集合 tf.GraphKeys.REGULARIZATION_LOSSES 中，并可用于正则化。
• trainable：如果为 True，还将变量添加到图形集合：GraphKeys.TRAINABLE_VARIABLES。
• collections：要将变量添加到其中的图形集合键的列表。默认为 [GraphKeys.LOCAL_VARIABLES]。
• caching_device：可选的设备字符串或函数，描述变量应该被缓存以读取的位置。默认为变量的设备，如果不是 None，则在其他设备上进行缓存。典型的用法的在使用该变量的操作所在的设备上进行缓存，通过 Switch 和其他条件语句来复制重复数据删除。 
• partitioner：（可选）可调用性，它接受要创建的变量的完全定义的 TensorShape 和 dtype，并且返回每个坐标轴的分区列表（当前只能对一个坐标轴进行分区）。
• validate_shape：如果为假，则允许使用未知形状的值初始化变量。如果为真，则默认情况下，initial_value 的形状必须是已知的。
• use_resource：如果为假，则创建一个常规变量。如果为真，则创建一个实验性的 ResourceVariable，而不是具有明确定义的语义。默认为假（稍后将更改为真）。
• custom_getter：可调用的，将第一个参数作为真正的 getter，并允许覆盖内部的      get_variable 方法。custom_getter      的签名应该符合这种方法，但最经得起未来考验的版本将允许更改：def custom_getter(getter, *args, **kwargs)。还允许直接访问所有 get_variable 参数：def      custom_getter(getter, name, *args, **kwargs)。创建具有修改的名称的变量的简单标识自定义 getter 是：python def      custom_getter(getter, name, *args, **kwargs): return getter(name +      '_suffix', *args, **kwargs) 

返回值：创建或存在Variable（或者PartitionedVariable，如果使用分区器）。

可能引发的异常：

• ValueError：当创建新的变量和形状时，在变量创建时违反重用，或当 initializer 的 dtype 和 dtype 不匹配时。在      variable_scope 中设置重用。

 

 

 

 

tf.truncated_normal_initializer函数

生成截断正态分布的初始化程序。

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

)

函数参数：

• mean：一个 python 标量或一个标量张量，要生成的随机值的均值。
• stddev：一个 python 标量或一个标量张量，要生成的随机值的标准偏差。
• seed：一个 Python 整数，用于创建随机种子。查看tf.set_random_seed行为。
• dtype：数据类型，仅支持浮点类型。

 

LRN函数类似DROPOUT和数据增强作为relu激励之后防止数据过拟合而提出的一种处理方法,全称是 local response normalization--局部响应标准化

tf.nn.lrn

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

 

tf.nn.bias_add()

 一个叫bias的向量加到一个叫value的矩阵上，是向量与矩阵的每一行进行相加，得到的结果和value矩阵大小相同。