tensorflow相关API总结

1.tf.nn.conv2d

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    name=None
)

input(必选)：tensor类型，是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）。

filter(必选) ：tensor类型，是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数（输入图像通道数），卷积核个数（输出图像通道数） ]）,filter 的 in_channels 必须和 input 的in_channels 相等。

strides(必选)：list类型，长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1。

padding(必选)：string类型，只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 图像不做边界扩展；SAME：图像做边界扩展，进行0填充。

use_cudnn_on_gpu：bool类型，是否使用 cudnn 加速，默认为 true。

data_format：string类型。

name：string类型，运算名称。

2.tf.layers.conv2d

tf.layers.conv2d功能与tf.nn.conv2d类似。

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=, 
    kernel_regularizer=None,
    bias_regularizer=None, 
    activity_regularizer=None, 
    kernel_constraint=None, 
    bias_constraint=None, 
    trainable=True, 
    name=None,
    reuse=None)

input(必选)：tensor类型，是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）。

filters(必选)：整数，表示输出空间的维数（即卷积核的数量）。

kernel_size(必选)：一个整数，或者包含了两个整数的元组/队列，表示卷积模板的高和宽。如果是一个整数，则宽高相等。

strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的步长。如果是一个整数，则横纵步长相等。另外，strides不等于1 和dilation_rate不等于1 这两种情况不能同时存在。

padding：string类型，只能为 " valid "，" same " 中之一，不区分大小写，这个值决定了不同的卷积方式。valid图像不做边界扩 展；same：图像做边界扩展，进行0填充。

data_format：channels_last 或者 channels_first，表示输入维度的排序。

dilation_rate：一个整数，或者包含了两个整数的元组/队列，表示使用扩张卷积时的扩张率。如果是一个整数，则所有方向的扩张率相等。另外，strides 不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。

activation：激活函数。如果是None则为线性函数。

use_bias：bool型，表示是否使用偏差向量。

kernel_initializer：卷积核的初始化。

bias_initializer：偏差向量的初始化。如果是None，则使用默认的初始值。

kernel_regularizer：卷积核的正则项。

bias_regularizer：偏差向量的正则项。

activity_regularizer：输出的正则函数。

kernel_constraint：映射函数，当核被 Optimizer 更新后应用到核上。Optimizer 用来实现对权重矩阵的范数约束或者值约束。映射函数必须将未被影射的变量作为输入，且一定输出映射后的变量（有相同的大小）。做异步的分布式训练时，使用约束可能是不安全的。

bias_constraint：映射函数，当偏差向量被 Optimizer 更新后应用到偏差向量上。

trainable：bool类型。

name：string类型，层的名字。

reuse：bool类型，表示是否可以重复使用具有相同名字的前一层的权重。

3.tf.nn.max_pool

tf.nn.max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
)

value(必选)：tensor类型，4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32。

ksize(必选)：list类型，池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1。

strides(必选)：list类型，池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1。

padding(必选)：string类型，只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 不对图像做边界扩展；SAME：对图像进行边界扩展，0填充。

data_format：只能是 " NHWC ", " NCHW "，默认" NHWC "。

name：string类型，运算名称。

4.tf.layers.max_pooling2d

tf.layers.max_pooling2d功能与tf.nn.max_pool类似。

tf.layers.max_pooling2d(
    inputs,
    pool_size,
    strides,
    padding='valid',
    data_format='channels_last',
    name=None
)

 

inputs(必选)：tensor类型，是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）。

pool_size(必选)：一个整数，或者包含了两个整数的元组/队列，表示池化模板的高和宽。如果是一个整数，则宽高相等。

strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的步长。如果是一个整数，则横纵步长相等。另外，strides不等于1 和dilation_rate不等于1 这两种情况不能同时存在。

padding：string类型，只能为 " valid "，" same " 中之一，不区分大小写，这个值决定了不同的卷积方式。valid图像不做边界扩展；same：图像做边界扩展，进行0填充。

data_format：channels_last 或者 channels_first，表示输入维度的排序。

name：string类型，层的名字。

5.tf.nn.relu

tf.nn.relu(
    features,
    name=None
)

features(必选)：tensor类型，以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half。

name：string类型，运算名称。

6.tf.nn.dropout

tf.nn.dropout(
    x,
    keep_prob,
    noise_shape=None,
    seed=None,
    name=None
)

x(必选)：tensor类型，输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0。

keep_prop(必选)：float类型，dropout 的概率，一般是占位符。

noise_shape：tensor类型，默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，该维度的元素是否 dropout 是相互独立，若 noise_shape[i] != shape(x)[i] 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留。

seed：如果指定该值，每次 dropout 结果相同。

name：string类型，运算名称。

7.tf.nn.sigmoid_cross_entropy_with_logits

tf.nn.sigmoid_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

先对 logits 通过 sigmoid 计算，再计算交叉熵。

_sentinel：类型None，没有使用的参数。

labels：tensor类型，type，shape与logits相同。

logits：tensor类型，type 是 float32 或者 float64。

name：string类型，运算名称。

8.tf.truncated_normal

tf.nn.truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。

shape(必选)：1 维整形张量或 array，输出张量的维度。

mean：0 维张量或数值，均值。

stddev：0 维张量或数值，标准差。

dtype：dtye类型，输出类型。

seed：数值，随机种子，若 seed 赋值，每次产生相同随机数。

name：string类型，运算名称。

9.tf.constant

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

根据 value 的值生成一个 shape 维度的常量张量。

value(必选)：常量数值或者 list类型，输出张量的值。

dtype：dtype类型，输出张量元素类型。

shape：1 维整形张量或 array类型，输出张量的维度。

name：string类型，张量名称。

verify_shape：bool类型，检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全

10.tf.placeholder

tf.placeholder(
    dtype,
    shape=None,
    name=None
)

是一种占位符，在执行时候需要为其提供数据。

dtype(必选)：dtype类型，占位符数据类型。

shape：1 维整型张量或 array类型，占位符维度。

name：string类型，占位符名称。

11.tf.nn.bias_add

tf.nn.bias_add(
    value,
    bias,
    data_format=None,
    name=None
)

将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。

value(必选)：张量，数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128。

bias：1 维张量，维度必须和 value 最后一维维度相等。

data_format：string类型，数据格式，支持 ' NHWC ' 和 ' NCHW '。

name：string类型，运算名称。

12.tf.reduce_mean

tf.reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

计算张量 input_tensor 平均值。

input_tensor(必选)：张量，输入待求平均值的张量。

axis：None、0、1，None：全局求平均值；0：求每一列平均值；1：求每一行平均值。

keep_dims：bool类型，保留原来的维度(例如不会从二维矩阵降为一维向量)。

name：string类型，运算名称。

reduction_indices：None，和 axis 等价，被弃用。

13.tf.squared_difference

tf.squared_difference(
    x,
    y,
    name=None
)

计算张量 x、y 对应元素差平方。

x(必选)：张量，是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型。

y(必选)：张量，是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型。

name：string类型，运算名称。

14.tf.square

tf.square(
    x,
    name=None
)

计算张量对应元素平方。

x(必选)：张量，是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型。

name：string类型，运算名称。