TensorFlow常用函数（一）

发表于

tf.truncated_normal（截断正态分布函数）

1
2
3
4
5
6
7
8
truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)
  • 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
2
3
4
5
6
7
8
9
conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    name=None
)
  • 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
  • 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
2
3
4
5
6
7
8
max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
)
  • 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
  • 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
2
3
4
relu(
    features,
    name=None
)
  • 函数名称：tf.nn.relu
  • 返回值：max(features, 0)
相关文章