應用TensorFlow進階API建構卷積神經網絡(2)--api解釋

tf.estimator.inputs.numpy_input_fn

def numpy_input_fn(x,
                   y=None,
                   batch_size=128,
                   num_epochs=1,
                   shuffle=None,
                   queue_capacity=1000,
                   num_threads=1):
           

• x是訓練資料，使用numpy_input_fn時就是numpy array的格式。使用Pandas的時候就是dataframe的格式。
• y是标簽。
• batch_size，每一次疊代的時候選擇的樣本個數，預設選擇是128個樣本。
• num_epochs，一個epoch是指把整個資料集訓練一次。

  • epoch=None,steps=100,batch_size=128：

    當epoch=None的時候就是說，訓練的停止條件是達到疊代次數100。（這個時候其實可以算得到整個資料集被訓練了100/（3328/128)=3.84次）

  • epoch=1,steps=100,batch_size=128:

    整個資料集共3328條資料，batch_size為128，是以疊代26次（3328/128）時可以實作整個資料集被訓練了一次，是以實際上疊代26次就停止訓練了。

  • epoch=4,steps=100,batch_size=128:

    和上面類似，隻不過這裡的epoch=4,故資料集總共需要被訓練4次，故疊代次數總共需要4*(3328/128)=104次，但是104>100次，是以100次的時候訓練也停止了。

  • epoch=100,steps=None,batch_size=128:

    這個時候steps不指定意味着停止條件是達到epoch的次數。是以當整個資料集被訓練了100次的時候停止訓練。此時的疊代次數其實是（3328/128)*100=2600次。

train_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x": train_data},
    y=train_labels,
    batch_size=100,
    num_epochs=None,
    shuffle=True)

eval_input_fn = tf.estimator.inputs.numpy_input_fn(
    x={"x":eval_data},
    y=eval_labels,
    num_epochs=1,
    shuffle=False)
           

https://blog.csdn.net/qq_22238533/article/details/79005221

tf.layers.conv2d

def conv2d(inputs,
           filters,
           kernel_size,
           strides=(1, 1),
           padding='valid',
           data_format='channels_last',
           dilation_rate=(1, 1),
           activation=None,
           use_bias=True,
           kernel_initializer=None,
           bias_initializer=init_ops.zeros_initializer(),
           kernel_regularizer=None,
           bias_regularizer=None,
           activity_regularizer=None,
           kernel_constraint=None,
           bias_constraint=None,
           trainable=True,
           name=None,
           reuse=None):
           

• inputs：Tensor 輸入
• filters：整數，表示輸出空間的維數（即卷積過濾器的數量）
• kernel_size：一個整數，或者包含了兩個整數的元組/隊列，表示卷積窗的高和寬。如果是一個整數，則寬高相等。
• strides：一個整數，或者包含了兩個整數的元組/隊列，表示卷積的縱向和橫向的步長。如果是一個整數，則橫縱步長相等。另外， strides 不等于1 和 dilation_rate 不等于1 這兩種情況不能同時存在。
• padding：“valid” 或者 “same”（不區分大小寫）。“valid” 表示不夠卷積核大小的塊就丢棄，"same"表示不夠卷積核大小的塊就補0。
• data_format：channels_last 或者 channels_first，表示輸入次元的排序。
• dilation_rate：一個整數，或者包含了兩個整數的元組/隊列，表示使用擴張卷積時的擴張率。如果是一個整數，則所有方向的擴張率相等。另外， strides 不等于1 和 dilation_rate 不等于1 這兩種情況不能同時存在。
• activation：激活函數。如果是None則為線性函數。
• use_bias：Boolean類型，表示是否使用偏差向量。
• kernel_initializer：卷積核的初始化。
• bias_initializer：偏差向量的初始化。如果是None，則使用預設的初始值。
• kernel_regularizer：卷積核的正則項
• bias_regularizer：偏差向量的正則項
• activity_regularizer：輸出的正則函數
• kernel_constraint：映射函數，當核被Optimizer更新後應用到核上。Optimizer 用來實作對權重矩陣的範數限制或者值限制。映射函數必須将未被影射的變量作為輸入，且一定輸出映射後的變量（有相同的大小）。做異步的分布式訓練時，使用限制可能是不安全的。
• bias_constraint：映射函數，當偏差向量被Optimizer更新後應用到偏差向量上。
• trainable：Boolean類型。
• name：字元串，層的名字。
• reuse：Boolean類型，表示是否可以重複使用具有相同名字的前一層的權重。

https://blog.csdn.net/HappyRocking/article/details/80243790

tf.layers.max_pooling2d

def max_pooling2d(inputs,
                  pool_size, strides,
                  padding='valid', data_format='channels_last',
                  name=None):
           

• pool_size：一個整數或者2個整數的元組/清單：（pool_height，pool_width），指定池化視窗的大小。 可以是單個整數，以為所有空間次元指定相同值。
• strides：一個整數或者2個整數的元組/清單，指定池操作的步幅。 可以是單個整數，以為所有空間次元指定相同值。
• padding:字元串，“valid”或者”same”
• data_format:一個字元串，channels_last（預設）或channels_first中的一個，輸入中次元的排序，channels_last對應于具有形狀(batch,height, width, channels)的輸入，而channels_first對應于具有形狀(batch, channels, height,width)的輸入。
• name:層的名稱。

tf.layers.dropout

def dropout(inputs,
            rate=0.5,
            noise_shape=None,
            seed=None,
            training=False,
            name=None):
           

• inputs：輸入的張量
• rate: 丢失率，表示的是drop_prob而不是keep_prob
• training: True時會加入dropout, false即測試時不會加入dropout
• noise_shape : 一個1維的int32張量，代表了随機産生“保留/丢棄”标志的shape。
• seed : 整形變量，随機數種子。
• name: 名字。

tf.layers.Flatten

x = tf.placeholder(shape=(None, 4, 4), dtype='float32')
y = flatten(x)
# now `y` has shape `(None, 16)`

x = tf.placeholder(shape=(None, 3, None), dtype='float32')
y = flatten(x)
# now `y` has shape `(None, None)`