Tensorflow2 0之卷積層實現

在 tensorflow 中，通過tf.nn.conv2d 函式可以方便地實現2d 卷積運算。tf.nn.conv2d基於輸入?: ℎ ? ??? 和卷積核?: ? ? ??? ???? 進行卷積運算，得到輸出? ℎ′ ?′ ???? ，其中???表示輸入通道數，????表示卷積核的數量，也是輸出特徵圖的通道數。例如：

in [1]

:x = tf.random.normal([2
,5,5
,3])
# 模擬輸入，3 通道，高寬為5
# 需要根據[k,k,cin,cout]格式建立w 張量，4 個3x3 大小卷積核
w = tf.random.normal([3
,3,3
,4])
# 步長為1, padding 為0,
out = tf.nn.conv2d(x,w,strides=
1,padding=[[
0,0]
,[0,
0],[
0,0]
,[0,
0]])
out[1]
:# 輸出張量的shape
tensorshape([2
,3,3
,4])

padding=[[0,0],[上,下],[左,右],[0,0]]

例如，上下左右各填充乙個單位，則padding 引數設定為 ，實現如下：

in [2]

:x = tf.random.normal([2
,5,5
,3])
# 模擬輸入，3 通道，高寬為5
# 需要根據[k,k,cin,cout]格式建立，4 個3x3 大小卷積核
w = tf.random.normal([3
,3,3
,4])
# 步長為1, padding 為1,
out = tf.nn.conv2d(x,w,strides=
1,padding=[[
0,0]
,[1,
1],[
1,1]
,[0,
0]])
out[2]
:# 輸出張量的shape
tensorshape([2
,5,5
,4])

in [3]

:x = tf.random.normal([2
,5,5
,3])
# 模擬輸入，3 通道，高寬為5
w = tf.random.normal([3
,3,3
,4])
# 4 個3x3 大小的卷積核
# 步長為,padding 設定為輸出、輸入同大小
# 需要注意的是, padding=same 只有在strides=1 時才是同大小
out = tf.nn.conv2d(x,w,strides=
1,padding=
'same'
)out[3]
: tensorshape([2
,5,5
,4])

s\frac

s1​倍地減少(s為步長)。例如：

in [4]

:x = tf.random.normal([2
,5,5
,3])
w = tf.random.normal([3
,3,3
,4])
# 高寬先padding 成可以整除3 的最小整數6，然後6 按3 倍減少，得到2x2
out = tf.nn.conv2d(x,w,strides=
3,padding=
'same'
)out [4]
:tensorshape([2
,2,2
,4])

# 根據[cout]格式建立偏置向量

b = tf.zeros([4
])# 在卷積輸出上疊加偏置向量，它會自動broadcasting 為[b,h',w',cout]
out = out + b

通過設定strides和padding可以控制卷積層的輸出大小，卷積層並不像全連線層一樣可以直接指定輸出層的大小。

通過卷積層類layers.conv2d 可以不需要手動定義卷積核?和偏置?張量，直接呼叫類例項即可完成卷積層的前向計算，實現更加高層和快捷。

在新建卷積層類時，只需要指定卷積核數量引數filters，卷積核大小kernel_size，步長strides，填充padding 等即可。如下建立了4 個3 × 3大小的卷積核的卷積層，步長為1，padding 方案為』same』：

layer = layers.conv2d(4,kernel_size=3,strides=1,padding=『same』)

如果卷積核高寬不等，步長行列方向不等，此時需要將kernel_size 引數設計為tuple格式(?ℎ ??)，strides 引數設計為(?ℎ ??)。如下建立4 個3 × 大小的卷積核，豎直方向移動步長?ℎ = 2，水平方向移動步長?? = ：

layer = layers.conv2d(4,kernel_size=(3,4),strides=(2,1),padding=『same』)

建立完成後，通過呼叫例項(的__call__方法)即可完成前向計算，例如：

in [5]

:# 建立卷積層類
layer = layers.conv2d(
4,kernel_size=
3,strides=
1,padding=
'same'
)out = layer(x)
# 前向計算
out.shape # 輸出張量的shape
out[5]
:tensorshape([2
,5,5
,4])

in [6]

:# 返回所有待優化張量列表
layer.trainable_variables
out[6]
:[,3,3
,4) dtype=float32, numpy=
array([[
[[0.13485974,-
0.22861657
,0.01000655
,0.11988598],
[0.12811887
,0.20501086,-
0.29820845,-
0.19579397],
[0.00858489,-
0.24469738,-
0.08591779,-
0.27885547]]
, …,) dtype=float32, numpy=array([0
.,0.
,0.,
0.], dtype=float32)
>
]

tensorflow2 0之one hot函式使用

先了解一下one hot要幹啥吧。來，咱先看個程式，你一定會很眼熟的。嘿，是不是發現什麼了？labels向量最後可以表示乘矩陣的方式，且 1 0 0 表示0，類推 0 1 0 0 表示1，這樣，可以表示 0 9總共九個數值。one hot的作用就是這樣的，作為儲存標籤的一種方式，用1的位置不同來區分...

Tensorflow2 0 一維卷積神經網路搭建

網上對於卷積神經網路的介紹大部分都是2d的，一維卷積神經網路的比較少，使用新框架的就更少了。如下 首先搭建網路，這裡以最簡單的sequential為例 先是卷積 sequential tf.keras.layers.conv1d 2,kernel size 1,padding same activa...

TensorFlow2 0之RNN情感分類問題實戰

tensorflow2.0之rnn情感分類問題實戰 import tensorflow as tf from tensorflow import keras from tensorflow.keras import sequential,layers,datasets,optimizers,loss...