定义前向传播模块 - inference

最新推荐文章于 2025-06-24 22:22:27 发布

原创

最新推荐文章于 2025-06-24 22:22:27 发布 · 6.2k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#inference

本文分享了如何定义和分离前向传播模块（inference），以提高代码的可读性和操作性，强调了高内聚、低耦合的设计原则。网络结构可根据需求自由定制。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

应要求，贴上inference模块供大家参考。

里面的网络结构可以自己定义。

分离inference模块，有利于程序的可读性和操作性。高内聚，低耦合？

import tensorflow as tf

# 定义神经网络结构相关的参数
INPUT_NODE = 128*128
OUTPUT_NODE = 62

IMAGE_SIZE = 128
NUM_CHANNELS = 1
NUM_LABELS = OUTPUT_NODE

# 第一层卷积层的尺寸和深度
CONV1_SIZE = 5
CONV1_DEEP = 32


# 第二层卷积层的尺寸和深度
CONV2_SIZE = 5
CONV2_DEEP = 64

# 全连接层的节点个数
FC_SIZE = 512


# 定义神经网络的前向传播过程
def inference(input_tensor, train,  regularizer):
    # 第一层卷积层，输出28*28*32的矩阵
    with tf.variable_scope('layer1-conv1'):
        conv1_weights = tf.get_variable("weight", [CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_DEEP],
                                        initializer=tf.truncated_normal_initializer(stddev=0.1))
        conv1_biases = tf.get_variable("bias", [CONV1_DEEP], initializer=tf.constant_initializer(0.0))

        # 使用边长为5，深度为32的过滤器，过滤器移动的步长为1，且使用0填充
        conv1 = tf.nn.conv2d(input_tensor, conv1_weights,  strides=[1, 1, 1, 1], padding='SAME')