tensorflow相关API的学习

学习目录

1.tensorflow相关函数理解

（1）tf.nn.conv2d

（2）tf.nn.relu

（3）tf.nn.max_pool

（4）tf.nn.dropout

（5）tf.nn.sigmoid_cross_entropy_with_logits

（6）tf.nn.truncated_normal

（7）tf.nn.constant

（8）tf.nn.placeholder

（9）tf.nn.reduce_mean

（10）tf.nn.squared_difference

（1）tf.nn.square

2.tensorflow相关类的理解

（1）tf.Variavle

tf.nn.conv2d(tf.nn.conv2d是TensorFlow里面实现卷积的函数)

参数列表

conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    name=None
)

参数名	必选	类型	说明
input	是	tensor	是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）
filter	是	tensor	是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等
strides	是	列表	长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1
padding	是	string	只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式
use_cudnn_on_gpu	否	bool	是否使用 cudnn 加速，默认为 true
data_format	否	string	只能是 " NHWC ", " NCHW "，默认 " NHWC "
name	否	string	运算名称

以下的动画是我们以一张彩色的图片为例子，彩色图的通道数为3(黑白照的通道数为1)，所以每张彩色的图片就需要3个filter，每个filter中的权重都不同，最后输出的值为各自所对应相乘相加即可。 tensorflow相关API的学习

实例：

import tensorflow as tf

a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')
d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))
    print ("d shape:")
    print (d.shape)
    print ("d value:")
    print (sess.run(d))

运行结果如下：

 1 c shape:
 2 (1, 3, 3, 1)
 3 c value:
 4 [[[[ 4.]
 5    [ 3.]
 6    [ 4.]]
 7 
 8   [[ 2.]
 9    [ 4.]
10    [ 3.]]
11 
12   [[ 2.]
13    [ 3.]
14    [ 4.]]]]
15 d shape:
16 (1, 5, 5, 1)
17 d value:
18 [[[[ 2.]
19    [ 2.]
20    [ 3.]
21    [ 1.]
22    [ 1.]]
23 
24   [[ 1.]
25    [ 4.]
26    [ 3.]
27    [ 4.]
28    [ 1.]]
29 
30   [[ 1.]
31    [ 2.]
32    [ 4.]
33    [ 3.]
34    [ 3.]]
35 
36   [[ 1.]
37    [ 2.]
38    [ 3.]
39    [ 4.]
40    [ 1.]]
41 
42   [[ 0.]
43    [ 2.]
44    [ 2.]
45    [ 1.]
46    [ 1.]]]]

View Code