使用TensorFlow搭建CNN卷积层和池化层

心已赠人 2022-06-01 04:37 272阅读 0赞

下面代码中，输入图像色彩通道为3；卷积层的过滤器大小设置为5\*5，深度为16，步长为1；池化层的过滤器大小设置为3\*3，步长为2。卷积层全0填充：使输入得图像的输出时大小相同。池化层全0填充：使图像大小与池化过滤器能完全重合。

import tensorflow as tf
    
    # 构建卷积层
    
    # 通过tf.get_variable的方式创建过滤器的权重和偏置项
    # 卷积层的参数个数之和过滤器的尺寸、深度以及当前层节点矩阵的深度有关
    # 声明四维矩阵，前两维为过滤器的尺寸，第三维为当前层的深度，第四维为过滤器深度
    filter_weight = tf.get_variable('weight', [5, 5, 3, 16],
                                    initializer=tf.truncated_normal_initializer(stddev=0.1))
    biases = tf.get_variable('biases', [16], initializer=tf.constant_initializer(0.1))
    
    # tf.nn.conv2d非常方便实现卷积层前向传播算法
    # 第一个输入为当前层的节点矩阵，这个矩阵为四维矩阵，第一维对应一个输入batch，后三维为节点矩阵
    # 例如，input[0,:,:,:]表示第一张图片，input[1,:,:,:]为第二张图片
    # 第二个输入为卷积层的权重，第三个输入为不同维度上的步长
    # 第三个输入提供的是一个长度为4的数组，但是数组第一位和第四位一定要是1，因为卷积层的步长只对矩阵的长和宽有效
    # 第四个输入时填充的方法，TensorFlow只提供两种选择，SAME为全0填充，VALID为不添加
    conv = tf.nn.conv2d(input, filter_weight, strides=[1, 1, 1, 1], padding='SAME')
    
    # tf.nn.bias_add添加偏置项，同一层同一个偏置
    bias = tf.nn.bias_add(conv, biases)
    #将计算结果通过ReLU激活函数完成去线性化
    actived_conv = tf.nn.relu(bias)
    
    # 构建池化层
    
    # tf.nn.avg_pool函数实现了平均池化层，用法与max_pool相似
    # tf.nn.max_pool实现了最大池化层的前向传播过程，参数和conv2d类似
    # ksize提供了过滤器的尺寸，数组第一位和第四位一定要是1，比较常用的是[1,2,2,1]和【1,3,3,1】
    # strides提供了步长，数组第一位和第四位一定要是1
    # padding提供了是否全0填充
    pool = tf.nn.max_pool(actived_conv, ksize=[1, 3, 3, 1],
                          strides=[1, 2, 2, 1], padding='SAME')