TF之CNN：Tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN的簡(jiǎn)介、使用方法、應(yīng)用之詳細(xì)攻略

?

?

目錄

TensorFlow 中的卷積有關(guān)函數(shù)入門

1、tf.nn.conv2d函數(shù)

案例應(yīng)用

1、TF之CNN：Tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN

2、使用簡(jiǎn)單的函數(shù)來(lái)替代上面的定義

---

?

?

?

TensorFlow 中的卷積有關(guān)函數(shù)入門

? ? TensorFlow 構(gòu)建卷積網(wǎng)絡(luò)之前，我們需要了解一下 TensorFlow 中的函數(shù)：conv_2d() 和 fully_connected() 函數(shù)分別構(gòu)建了卷積層和全連接層。通過(guò)這些函數(shù)，層級(jí)的數(shù)量、濾波器的大小/深度、激活函數(shù)的類型等都可以明確地作為一個(gè)參數(shù)。權(quán)重矩陣和偏置向量能自動(dòng)創(chuàng)建，附加激活函數(shù)和 dropout 正則化層同樣也能輕松構(gòu)建。

1、tf.nn.conv2d函數(shù)

tf.nn.conv2d是TensorFlow里面實(shí)現(xiàn)卷積的函數(shù)，參考文檔對(duì)它的介紹并不是很詳細(xì)，實(shí)際上這是搭建卷積神經(jīng)網(wǎng)絡(luò)比較核心的一個(gè)方法，非常重要
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name參數(shù)用以指定該操作的name，與方法有關(guān)的一共五個(gè)參數(shù)：
第一個(gè)參數(shù)input：指需要做卷積的輸入圖像，它要求是一個(gè)Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓(xùn)練時(shí)一個(gè)batch的圖片數(shù)量, 圖片高度, 圖片寬度, 圖像通道數(shù)]，注意這是一個(gè)4維的Tensor，要求類型為float32和float64其中之一
第二個(gè)參數(shù)filter：相當(dāng)于CNN中的卷積核，它要求是一個(gè)Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數(shù)，卷積核個(gè)數(shù)]，要求類型與參數(shù)input相同，有一個(gè)地方需要注意，第三維in_channels，就是參數(shù)input的第四維
第三個(gè)參數(shù)strides：卷積時(shí)在圖像每一維的步長(zhǎng)，這是一個(gè)一維的向量，長(zhǎng)度4
第四個(gè)參數(shù)padding：string類型的量，只能是"SAME","VALID"其中之一，這個(gè)值決定了不同的卷積方式（后面會(huì)介紹）
第五個(gè)參數(shù)：use_cudnn_on_gpu:bool類型，是否使用cudnn加速，默認(rèn)為true
結(jié)果返回一個(gè)Tensor，這個(gè)輸出，就是我們常說(shuō)的feature map，shape仍然是[batch, height, width, channels]這種形式。

?

案例應(yīng)用

1、TF之CNN：Tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN

#TF之CNN：Tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN #1、定義卷積層網(wǎng)絡(luò) import tensorflow as tf w1 = tf. Variable (tf.truncated_normal([filter_size, filter_size, image_depth, filter_depth], stddev= 0.1 )) b1 = tf. Variable (tf.zeros([filter_depth])) layer1_conv = tf.nn.conv2d(data, w1, [ 1 , 1 , 1 , 1 ], padding= 'SAME' ) layer1_relu = tf.nn.relu(layer1_conv + b1) layer1_pool = tf.nn.max_pool(layer1_pool, [ 1 , 2 , 2 , 1 ], [ 1 , 2 , 2 , 1 ], padding= 'SAME' )

?

?

2、使用簡(jiǎn)單的函數(shù)來(lái)替代上面的定義

#2、使用簡(jiǎn)單的函數(shù)來(lái)替代上面的定義 from tflearn.layers.conv import conv_2d, max_pool_2d layer1_conv = conv_2d(data, filter_depth, filter_size, activation= 'relu' ) layer1_pool = max_pool_2d(layer1_conv_relu, 2 , strides= 2 )

?

?

參考文獻(xiàn)
TF-卷積函數(shù) tf.nn.conv2d 介紹

?

?

總結(jié)

以上是生活随笔為你收集整理的TF之CNN：Tensorflow构建卷积神经网络CNN的简介、使用方法、应用之详细攻略的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。