tf.truncated_normal(截断正态分布函数)
1 | truncated_normal( |
- 函数名称:tf.truncated_normal
- 返回值:具有指定形态随机数组的tensor
- 输入参数:
- shape:生成的随机数组维度
- stddev:正态分布的标准差
- 函数按正态分布取随机数,当所取得的随机数在两倍标准差范围之外时,将其舍弃并重新取值。
tf.nn.conv2d(卷积)
1 | conv2d( |
- 函数名称:tf.nn.conv2d
- 返回值:具有4个维度的tensor,
[batch, in_height, in_width, in_channels]
,即常说的feature map。 - 输入参数:
- input:输入层,是具有4个维度的tensor,
[batch, in_height, in_width, in_channels]
,其中batch
表示输入图像的数量,in_height
表示图像高度,in_width
表示图像宽度,in_channels
表示图像通道数 - filter:滤波器(又称卷积核)的参数,同样是具有4个维度的tensor,
[filter_height, filter_width, in_channels, out_channels]
,其中in_channels
与input
中的in_channels
相同,out_channels
为输出通道数,也是滤波器的个数。 - strides: 卷积时的步长,一维向量,长度为4,4个元素分别对应
input
中的4个维度 - padding:值只能是‘SAME’或‘VALTD’,决定了卷积时的padding方式
- use_cudnn_on_gpu:可选参数,默认值为True,决定了是否使用GPU上的CUDNN,默认值为True
- data_format:可选参数,默认为’NHWC’,决定了输入输出层中4个维度的排列顺序。可选值为‘NCHW’
- name:可选参数,默认值为None
- input:输入层,是具有4个维度的tensor,
- 这是tf中一个核心的函数,用于卷积操作。
tf.nn.max_pool(最大池化函数,或称采样函数)
1 | max_pool( |
- 函数名称:tf.nn.max_pool
- 返回值:具有4个维度的tensor,
[batch, in_height, in_width, in_channels]
,即常说的feature map。 - 输入参数:
- value:输入层,是具有4个维度的tensor,
[batch, in_height, in_width, in_channels]
,其中batch
表示输入图像的数量,in_height
表示图像高度,in_width
表示图像宽度,in_channels
表示图像通道数 - ksize:池化窗口的大小,为一个长度为4的一维向量,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1
- strides:步长,长度为4的一维向量,与卷积类似
- padding:与卷积类似,值只能是‘SAME’或‘VALTD’
- data_format:可选参数,默认为’NHWC’,决定了输入输出层中4个维度的排列顺序。可选值为‘NCHW’
- name:可选参数,默认值为None
- value:输入层,是具有4个维度的tensor,
- 这是最大池化函数,用在卷积操作之后,通过最大值采样降低feature map的维度。
tf.nn.relu(ReLU激活函数)
1 | relu( |
- 函数名称:tf.nn.relu
- 返回值:
max(features, 0)