深度学习（TensorFlow）学习笔记

晴天stick

于 2019-06-13 22:10:11 发布

阅读量565

点赞数

分类专栏：深度学习文章标签：深度学习 tensorflow 常用函数

本文链接：https://blog.youkuaiyun.com/qq_42805483/article/details/91413038

版权

本文介绍了使用TensorFlow进行深度学习的基本步骤，包括标签向量化、占位符创建、卷积层、最大池化层、ReLU激活函数、展开操作以及全连接层的应用。通过实例解析了卷积和池化层的padding计算，以及全连接层的自动参数初始化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.将标签数字转化成列向量，如
在这里插入图片描述

def convert_to_one_hot(Y, C):#Y为标签，C为类别数
    Y = np.eye(C)[Y.reshape(-1)].T
    return Y

Y.shape = (1,m)，m为样本数

np.eye()返回一个单位矩阵，[Y.reshape(-1)]的shape = (m,)中的m决定列方向的延展数量，而行方向的元素个数由C决定，行方向置为1的位置由Y1.reshape(-1)这个list的值所提供，转置后得到最终的结果。

2.为X,Y创建占位符，X为样本，Y为标签

def create_placeholders(n_H0, n_W0, n_C0, n_y):
    """
    Creates the placeholders for the tensorflow session.
    Arguments:
    n_H0 -- scalar, height of an input image
    n_W0 -- scalar, width of an input image
    n_C0 -- scalar, number of channels of the input
    n_y -- scalar, number of classes
    Returns:
    X -- placeholder for the data input, of shape [None, n_H0, n_W0,n_C0] and dtype "float"
    Y -- placeholder for the input labels, of shape [None, n_y] and dtype "float"
    """
    X = tf.placeholder(tf.float32, shape=(None, n_H0, n_W0, n_C0))
    Y = tf.placeholder(tf.float32, shape=(None, n_y))

3.卷积层

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

input：输入，形状为[batch, in_height, in_width, in_channels]
filter：过滤器（W，即权重），形状为[filter_height, filter_width, in_channels, out_channels]
strides：步长，[1,s,s,1]表示对于输入每一维的步长
padding：填充，有same和VALID两种。
padding与正常理解的不同：
padding = ‘SAME’, 计算公式为
在这里插入图片描述
padding = ‘VALID’，计算公式为

并且均向上取整

详细见：https://www.tensorflow.org/api_docs/python/tf/nn/conv2d
4.最大池化层

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

value：

最低0.47元/天解锁文章