TensorFlow学习（十七）：高级API之tf.layers

Posted 2022-10-21 谢小小XH

之前写的代码都是基于比较底层的API了，底层的API其实是有好处的，虽然还是调API，但是至少对于原理有小小的理解才能够写出代码。而且在实现一些新的论文或者要实现一个新的点子的时候，这时候是没有API的，因此底层的API非常有存在的必要，且必须经过这一个过程。
但是对于一个非常熟悉底层原理和经过了写底层代码这个过程的人，在有些很常见的任务上，就是用高级封装好的API就行。tf.layers就是提供这个功能的。是用tf.layers封装好的函数，能够省去非常多自己写的代码，而且更加简单更加方便。
这里不会把所有的都罗列出来，因为用法都是差不多的。注意，使用的时候必须对于理论知识有了解。

一.概览

官方文档：Module: tf.layers
tf.layers中分为类和函数，我们这里主要讲函数，因为类和函数的用法大同小异。

Input(…): 用于实例化一个输入 Tensor，作为神经网络的输入。
average_pooling1d(…): 一维平均池化层
average_pooling2d(…): 二维平均池化层
average_pooling3d(…): 三维平均池化层
batch_normalization(…): 批量标准化层
conv1d(…): 一维卷积层
conv2d(…): 二维卷积层
conv2d_transpose(…): 二维反卷积层
conv3d(…): 三维卷积层
conv3d_transpose(…): 三维反卷积层
dense(…): 全连接层
dropout(…): Dropout层
flatten(…): Flatten层，即把一个 Tensor 展平
max_pooling1d(…): 一维最大池化层
max_pooling2d(…): 二维最大池化层
max_pooling3d(…): 三维最大池化层
separable_conv2d(…): 二维深度可分离卷积层

看上面这个函数，可以发现，这个模块主要覆盖的区域是全连接和卷积等等的基本操作。但是这些操作已经非常足够了。我们可以根据自己的需要，在可以使用这里的API的时候使用，来简化我们的代码。

二.常见函数说明

上面讲了常见函数的概览，下面来详细讲一下常用的函数，其他的函数可以根据自己的需要查阅文档。

tf.layers.batch_normalization

此方法是批量标准化的方法，经过处理之后可以加速训练速度

tf.layers.batch_normalization(
    inputs,
    axis=-1,
    momentum=0.99,
    epsilon=0.001,
    center=True,
    scale=True,
    beta_initializer=tf.zeros_initializer(),
    gamma_initializer=tf.ones_initializer(),
    moving_mean_initializer=tf.zeros_initializer(),
    moving_variance_initializer=tf.ones_initializer(),
    beta_regularizer=None,
    gamma_regularizer=None,
    beta_constraint=None,
    gamma_constraint=None,
    training=False,
    trainable=True,
    name=None,
    reuse=None,
    renorm=False,
    renorm_clipping=None,
    renorm_momentum=0.99,
    fused=None,
    virtual_batch_size=None,
    adjustment=None
)

参数解释:

• inputs：必需，即输入数据。
• axis: 一个整形或者一个整形列表。表示将要使用BN的轴。举个例子， 要是在一个数据格式为"channels_first" 2D卷积层的后面，那么设置set axis=1，否则设置axis=3. 要是提供了一个列表，那么列表中所有的维度都会被同时被BN。Note: when using multi-axis batch norm, the beta, gamma, moving_mean, and moving_variance variables are the same rank as the input Tensor, with dimension size 1 in all reduced (non-axis) dimensions).
• momentum: 滑动平均的Momentum.
• epsilon: 可选，默认 0.001，大于0的小浮点数，用于防止除0错误。
• center: 可选，默认 True，若设为True，将会将 beta 作为偏置加上去，否则忽略参数 beta
• scale: 可选，默认 True，若设为True，则会乘以gamma，否则不使用gamma。当下一层是线性的时，可以设False，因为scaling的操作将被下一层执行。
• beta_initializer: 可选，默认 zeros_initializer，即 beta 权重的初始方法。
• gamma_initializer: 可选，默认 ones_initializer，即 gamma 的初始化方法。
• moving_mean_initializer: 可选，默认 zeros_initializer，即动态均值的初始化方法。
• moving_variance_initializer: 可选，默认 ones_initializer，即动态方差的初始化方法。
• beta_regularizer: 可选，默认None，beta 的正则化方法。
• gamma_regularizer: 可选，默认None，gamma 的正则化方法。
• beta_constraint:可选，默认None，加在 beta 上的约束项。
  -** gamma_constraint**: 可选，默认None，加在 gamma 上的约束项。
• renorm: 可选，默认 False，是否要用 Batch Renormalization (https://arxiv.org/abs/1702.03275).
• renorm_clipping: 可选，默认 None，是否要用 rmax、rmin、dmax 来 scalar Tensor。
• renorm_momentum: 可选，默认 0.99，用来更新动态均值和标准差的 Momentum 值。
• fused:可选，默认 None，是否使用一个更快的、融合的实现方法。
• trainable: 可选，默认 False，返回结果是 training 模式。
• virtual_batch_size:可选，默认 None，是一个 int 数字，指定一个虚拟 batch size。
• adjustment: 可选，默认 None，对标准化后的结果进行适当调整的方法。
• name: A string, the name of the layer.

tf.layers.dense

dense，即全连接网络，layers 模块提供了一个 dense() 方法来实现此操作

tf.layers.dense(
    inputs,
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

参数解释：

• inputs：必需，即需要进行操作的输入数据。
• units：必须，即神经元的数量。
• activation：可选，默认为 None，如果为 None 则是线性激活。
• use_bias：可选，默认为 True，是否使用偏置。
• kernel_initializer：可选，默认为 None，即权重的初始化方法，如果为 None，则使用默认的 Xavier 初始化方法。
• bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
• kernel_regularizer：可选，默认为 None，施加在权重上的正则项。
• bias_regularizer：可选，默认为 None，施加在偏置上的正则项。
• activity_regularizer：可选，默认为 None，施加在输出上的正则项。
• kernel_constraint，可选，默认为 None，施加在权重上的约束项。
• bias_constraint，可选，默认为 None，施加在偏置上的约束项。
• trainable：可选，默认为 True，布尔类型，如果为 True，则将变量添加到 GraphKeys.TRAINABLE_VARIABLES 中。
• name：可选，默认为 None，卷积层的名称。
• reuse：可选，默认为 None，布尔类型，如果为 True，那么如果 name 相同时，会重复利用。

tf.layers.conv2d

tf.layers.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=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

参数说明如下：

• inputs：必需，即需要进行操作的输入数据。
• filters：必需，是一个数字，代表了输出通道的个数，即 output_channels。
• kernel_size：必需，卷积核大小，必须是一个数字（高和宽都是此数字）或者长度为 2 的列表（分别代表高、宽）。
• strides：可选，默认为 (1, 1)，卷积步长，必须是一个数字（高和宽都是此数字）或者长度为 2 的列表（分别代表高、宽）。
• padding：可选，默认为 valid，padding 的模式，有 valid 和 same 两种，大小写不区分。
• data_format：可选，默认 channels_last，分为 channels_last 和 channels_first 两种模式，代表了输入数据的维度类型，如果是 channels_last，那么输入数据的 shape 为 (batch, height, width, channels)，如果是 channels_first，那么输入数据的 shape 为 (batch, channels, height, width)。
• dilation_rate：可选，默认为 (1, 1)，卷积的扩张率，如当扩张率为 2 时，卷积核内部就会有边距，3×3 的卷积核就会变成 5×5。
• activation：可选，默认为 None，如果为 None 则是线性激活。
• use_bias：可选，默认为 True，是否使用偏置。
• kernel_initializer：可选，默认为 None，即权重的初始化方法，如果为 None，则使用默认的 Xavier 初始化方法。
• bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
• kernel_regularizer：可选，默认为 None，施加在权重上的正则项。
• bias_regularizer：可选，默认为 None，施加在偏置上的正则项。
• activity_regularizer：可选，默认为 None，施加在输出上的正则项。
• kernel_constraint，可选，默认为 None，施加在权重上的约束项。
• bias_constraint，可选，默认为 None，施加在偏置上的约束项。
  trainable：可选，默认为 True，布尔类型，如果为 True，则将变量添加到 GraphKeys.TRAINABLE_VARIABLES 中。
• name：可选，默认为 None，卷积层的名称。
• reuse：可选，默认为 None，布尔类型，如果为 True，那么如果 name 相同时，会重复利用。

tf.layers.dropout

tf.layers.dropout(
    inputs,
    rate=0.5,
    noise_shape=None,
    seed=None,
    training=False,
    name=None
)

参数解释：

• inputs：必须，即输入数据。
• rate：可选，默认为 0.5，即 dropout rate，如设置为 0.1，则意味着会丢弃 10% 的神经元。
• noise_shape：可选，默认为 None，int32 类型的一维 Tensor，它代表了 dropout mask 的 shape，dropout mask 会与 inputs 相乘对 inputs 做转换，例如 inputs 的 shape 为 (batch_size, timesteps, features)，但我们想要 droput - - mask 在所有 timesteps 都是相同的，我们可以设置 noise_shape=[batch_size, 1, features]。
• seed：可选，默认为 None，即产生随机熟的种子值。
• training：可选，默认为 False，布尔类型，即代表了是否标志位 training 模式。
• name：可选，默认为 None，dropout 层的名称。
  返回： 经过 dropout 层之后的 Tensor。

tf.pad

tf.pad(
    tensor,
    paddings,
    mode='CONSTANT',
    name=None,
    constant_values=0
)

三.例子

这里我们使用tf.layers 提供的API来实现简单的CNN分类MNIST任务。
例子的代码地址为：LearningTensorFlow/23.tf.layers/

一个项目分为单个部分