TF之CNN：Tensorflow構建卷積神經網絡CNN的簡介、使用方法、應用之詳細攻略

?

?

目錄

TensorFlow 中的卷積有關函數入門

1、tf.nn.conv2d函數

案例應用

1、TF之CNN：Tensorflow構建卷積神經網絡CNN

2、使用簡單的函數來替代上面的定義

---

?

?

?

TensorFlow 中的卷積有關函數入門

? ? TensorFlow 構建卷積網絡之前，我們需要了解一下 TensorFlow 中的函數：conv_2d() 和 fully_connected() 函數分別構建了卷積層和全連接層。通過這些函數，層級的數量、濾波器的大小/深度、激活函數的類型等都可以明確地作為一個參數。權重矩陣和偏置向量能自動創建，附加激活函數和 dropout 正則化層同樣也能輕松構建。

1、tf.nn.conv2d函數

tf.nn.conv2d是TensorFlow里面實現卷積的函數，參考文檔對它的介紹并不是很詳細，實際上這是搭建卷積神經網絡比較核心的一個方法，非常重要
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name參數用以指定該操作的name，與方法有關的一共五個參數：
第一個參數input：指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 圖像通道數]，注意這是一個4維的Tensor，要求類型為float32和float64其中之一
第二個參數filter：相當于CNN中的卷積核，它要求是一個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，卷積核個數]，要求類型與參數input相同，有一個地方需要注意，第三維in_channels，就是參數input的第四維
第三個參數strides：卷積時在圖像每一維的步長，這是一個一維的向量，長度4
第四個參數padding：string類型的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式（后面會介紹）
第五個參數：use_cudnn_on_gpu:bool類型，是否使用cudnn加速，默認為true
結果返回一個Tensor，這個輸出，就是我們常說的feature map，shape仍然是[batch, height, width, channels]這種形式。

?

案例應用

1、TF之CNN：Tensorflow構建卷積神經網絡CNN

#TF之CNN：Tensorflow構建卷積神經網絡CNN #1、定義卷積層網絡 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、使用簡單的函數來替代上面的定義

#2、使用簡單的函數來替代上面的定義 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
TF-卷積函數 tf.nn.conv2d 介紹

?

?

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。