workPlace

Github使用目录

文章列表

图图

Tensorflow备忘录

手册地址:https://tensorflow.google.cn/api_docs/python/tf

常规计算

变量辅助函数

tf.global_variables()

函数说明 : 返回全局变量。

数据预处理

网络模型构建

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

函数参数

  • input : 指需要做卷积的输入图像,它要求是一个Tensor,具有[batch, in_height, in_width, in_channels]这样的shape,具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数],注意这是一个4维的Tensor,要求类型为float32和float64其中之一。
  • filter : 相当于CNN中的卷积核,它要求是一个Tensor,具有[filter_height, filter_width, in_channels, out_channels]这样的shape,具体含义是[卷积核的高度,卷积核的宽度,图像通道数,卷积核个数],要求类型与参数input相同,有一个地方需要注意,第三维in_channels,就是参数input的第四维。
  • strides : 卷积时在图像每一维的步长,这是一个一维的向量,长度4。因为input的输入是[batch-size, height, width, channels],所以strides一般为:[1, strides in height, strides in width, 1]
  • padding : 可取值为:'SAME'或者'VALID'。
    其中,'SAME'表示经过在图像每个像素位置进行卷积,即输入和输出大小是一样的;
    'VALID'表示不考虑边界的卷积。

函数返回

  • A tensor, 其shape为:[batch-size, output-height, output-width, output-channels]
    其中,当参数‘padding=VALID’时,其输出的尺寸为(p=0):
tf.nn.relu(features,name=None)

函数参数

  • features : A tensor。

函数返回

  • A same features' shape tensor : 执行max(features, 0),将features中大于0的数不变,小于0的数置为0。
tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding, data_format, name)

函数参数

  • value : value的格式为[batch, height, width, in_channels],height和width是用来计算输出尺寸用到的最重要的两个参数,表示输入该层feature map的高度和宽度,典型的NHWC格式;
  • filter : filter的格式为[height, width, output_channels, input_channels],务必注意这里的channel数是输出的channel数在前,输入的channel数在后;
  • output_shape : output_shape是一个1-D张量,传入的可以是一个tuple或者list,在不指定data_format参数的情况下,格式必须为NHWC。注意:这里的C要与filter中的output_channels保持一致;
  • strides : 卷积时在图像每一维的步长,这是一个一维的向量,长度4。因为input的输入是[batch-size, height, width, channels],所以strides一般为:[1, strides in height, strides in width, 1]
  • padding : 可取值为:'SAME'或者'VALID'。

函数返回

  • A tensor, 其shape为:[batch-size, output-height, output-width, output-channels]

函数说明

  • tf.nn.conv2d()不同的是:反卷积的输出形状需要人为确定。

考虑以下卷积:

  • input_shape = [1,5,5,3]
  • kernel_shape=[2,2,3,1]
  • strides=[1,2,2,1]
  • padding = "SAME"

使用函数tf.nn.conv2d()得到的output_shape是[1, 3, 3, 1]

tf.nn.conv2d_transpose()函数是该过程的逆过程。

假如我们将上面的input_shape=[1, 6, 6, 3],卷积得到的结果也是[1, 3, 3, 1]

所以,如果反卷积的信息如下:

  • value'shape = [1, 3, 3, 1]
  • filter = [2, 2, 3, 1]
  • strides = [1, 2, 2, 1]
  • padding = "SAME"

而不指定输出shape,其得到的shape有两种情况:[1, 6, 6, 3] 或者 [1, 5, 5, 3]
故而在反卷积的时候,需要指定输出的shape。

网络模型训练

损失函数

外围操作