一看就懂的Tensorflow實戰

最新 04-14

Tensorflow卷積神經網路實現

導入數據集

參數設置

定義CNN模型

補充：tf.nn，tf.layers， tf.contrib模塊區別[1]

tf.nn，tf.layers， tf.contrib模塊有很多功能是重複的，尤其是卷積操作，在使用的時候，我們可以根據需要現在不同的模塊。但有些時候可以一起混用。

下面是對三個模塊的簡述：

補充：TensorFlow layers模塊[2]

Convolution

Convolution 有多個方法，如 conv1d()、conv2d()、conv3d()，分別代表一維、二維、三維卷積，另外還有 conv2d_transpose()、conv3d_transpose()，分別代表二維和三維反卷積，還有 separable_conv2d() 方法代表二維深度可分離卷積。它們定義在 tensorflow/python/layers/convolutional.py 中，其用法都是類似的，在這裡以 conv2d() 方法為例進行說明。

參數說明如下：

inputs：必需，即需要進行操作的輸入數據。

filters：必需，是一個數字，代表了輸出通道的個數，即 output_channels。

kernel_size：必需，卷積核大小，必須是一個數字（高和寬都是此數字）或者長度為 2 的列表（分別代表高、寬）。

strides：可選，默認為 (1, 1)，卷積步長，必須是一個數字（高和寬都是此數字）或者長度為 2 的列表（分別代表高、寬）。

padding：可選，默認為 valid，padding 的模式，有 valid 和 same 兩種，大小寫不區分。

data_format：可選，默認 channels_last，分為 channels_last 和 channels_first 兩種模式，代表了輸入數據的維度類型，如果是 channels_last，那麼輸入數據的 shape 為 (batch, height, width, channels)，如果是 channels_first，那麼輸入數據的 shape 為 (batch, channels, height, width)。

dilation_rate：可選，默認為 (1, 1)，卷積的擴張率，如當擴張率為 2 時，卷積核內部就會有邊距，3×3 的卷積核就會變成 5×5。

activation：可選，默認為 None，如果為 None 則是線性激活。

use_bias：可選，默認為 True，是否使用偏置。

kernel_initializer：可選，默認為 None，即權重的初始化方法，如果為 None，則使用默認的 Xavier 初始化方法。

bias_initializer：可選，默認為零值初始化，即偏置的初始化方法。

kernel_regularizer：可選，默認為 None，施加在權重上的正則項。

bias_regularizer：可選，默認為 None，施加在偏置上的正則項。

activity_regularizer：可選，默認為 None，施加在輸出上的正則項。

kernel_constraint，可選，默認為 None，施加在權重上的約束項。

bias_constraint，可選，默認為 None，施加在偏置上的約束項。

trainable：可選，默認為 True，布爾類型，如果為 True，則將變數添加到 GraphKeys.TRAINABLE_VARIABLES 中。

name：可選，默認為 None，卷積層的名稱。

reuse：可選，默認為 None，布爾類型，如果為 True，那麼如果 name 相同時，會重複利用。

返回值：卷積後的 Tensor。

注意，這裡只需要給出輸入數據，輸出通道數，卷積核大小即可。

Pooling

layers 模塊提供了多個池化方法，這幾個池化方法都是類似的，包括 max_pooling1d()、max_pooling2d()、max_pooling3d()、average_pooling1d()、average_pooling2d()、average_pooling3d()，分別代表一維二維三維最大和平均池化方法，它們都定義在 tensorflow/python/layers/pooling.py 中，這裡以 > max_pooling2d() 方法為例進行介紹。

參數說明如下：

inputs: 必需，即需要池化的輸入對象，必須是 4 維的。

pool_size：必需，池化窗口大小，必須是一個數字（高和寬都是此數字）或者長度為 2 的列表（分別代表高、寬）。

strides：必需，池化步長，必須是一個數字（高和寬都是此數字）或者長度為 2 的列表（分別代表高、寬）。

padding：可選，默認 valid，padding 的方法，valid 或者 same，大小寫不區分。

name：可選，默認 None，池化層的名稱。

返回值：經過池化處理後的 Tensor。

dropout

dropout 是指在深度學習網路的訓練過程中，對於神經網路單元，按照一定的概率將其暫時從網路中丟棄，可以用來防止過擬合，layers 模塊中提供了 dropout() 方法來實現這一操作，定義在 tensorflow/python/layers/core.py。下面我們來說明一下它的用法。

參數說明如下：

inputs：必須，即輸入數據。

rate：可選，默認為 0.5，即 dropout rate，如設置為 0.1，則意味著會丟棄 10% 的神經元。

noise_shape：可選，默認為 None，int32 類型的一維 Tensor，它代表了 dropout mask 的 shape，dropout mask 會與 inputs 相乘對 inputs 做轉換，例如 inputs 的 shape 為 (batch_size, timesteps, features)，但我們想要 droput mask 在所有 timesteps 都是相同的，我們可以設置 noise_shape=[batch_size, 1, features]。

seed：可選，默認為 None，即產生隨機熟的種子值。

training：可選，默認為 False，布爾類型，即代表了是否標誌位 training 模式。

name：可選，默認為 None，dropout 層的名稱。

返回：經過 dropout 層之後的 Tensor。

定義模型函數

創建評估器

定義輸入方法

訓練模型

評估模型

模型測試