本篇文章主要介绍了浅谈张量流1.0池化层（共用)和全连接层（密集),小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
池化层定义在张量流/python/层/池。py .
有最大值池化和均值池化。
1、tf.layers.max_pooling2d
max_pooling2d(
输入，
pool_size，
大步流星，
填充=有效，
data_format=channels_last ，
名称=无
)
输入：进行池化的数据。
pool_size:池化的核大小（池_高，池_宽),如[3,3].如果长宽相等，也可以直接设置为一个数，如池大小=3。
步幅：池化的滑动步长。可以设置为[1,1]这样的两个整数。也可以直接设置为一个数，如步幅=2
填充：边缘填充，相同和有效选其一。默认为有效的
数据格式：输入数据格式，默认为频道_最后，即（批次、高度、宽度、通道),也可以设置为频道_优先对应（批次、通道、高度、宽度)。
名称：层的名字。
例：
pool1=tf.layers.max_pooling2d(输入=x，pool_size=[2，2]，步幅=2)
一般是放在卷积层之后，如：
conv=tf.layers.conv2d(
输入=x，
过滤器=32,
kernel_size=[5，5]，
填充=相同，
activation=tf.nn.relu)
pool=tf.layers.max_pooling2d(输入=conv，pool_size=[2，2]，步幅=2)
2.tf.layers.average_pooling2d
average_pooling2d(
输入，
pool_size，
大步流星，
填充=有效，
data_format=channels_last ，
名称=无
)
参数和前面的最大值池化一样。
全连接稠密的层定义在张量流/python/图层/核心。py .
3、tf.layers.dense
密集（
输入，
单位，
激活=无，
use_bias=True，
内核初始化器=无
bias _ initializer=TF。zeros _ initializer()，
内核正则化符=无，
偏差_正则化=无，
activity _ regularizer=无，
可训练=真，
名称=无，
重用=无
)
输入：输入数据，2维张量。
单位：该层的神经单元结点数。
激活：激活函数。
使用偏差：布尔值型，是否使用偏置项。
内核初始化器：卷积核的初始化器。
bias_initializer:偏置项的初始化器，默认初始化为0.
内核正则化：卷积核化的正则化，可选。
偏差_正则化：偏置项的正则化，可选。
activity _ regularizer:输出的正则化函数。
可训练：布尔型型，表明该层的参数是否参与训练。如果为真则变量加入到图集合中图形键。可训练变量（参见tf .变量)。
名称：层的名字。
重用：布尔型型，是否重复使用参数。
全连接层执行操作输出=激活（输入。内核偏差)
如果执行结果不想进行激活操作，则设置激活=无。
例：
#全连接层
dense1=tf.layers.dense(输入=pool3，单位=1024,激活=tf.nn.relu)
dense2=tf.layers.dense(输入=dense1，单位=512,激活=tf.nn.relu)
logits=tf.layers.dense(输入=dense2，单位=10,激活=无)
也可以对全连接层的参数进行正则化约束：
复制代码代码如下：密集1=TF。层次。dense(inputs=pool 3，units=1024，activation=tf.nn.relu，kernel _ regulator=TF。贡献。层次。L2 _调节器(0.003))
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。
