tensorflow学习备注1-网络结构

准备较为系统的来看下tensorflow，备注如下。

学习教材是tensorflow官网教程：TensorFlow Core

一开始就将eager execute？eager execute 到底有啥用?没有概念。。。

还是从张量开始看起吧

tf中的各种运算的结果还是张量，张量转换成numpy用.numpy(),

如：

a= tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34])

a[0]

<tf.Tensor: shape=(), dtype=int32, numpy=0>

a[0].numpy()

0

reshape不能乱用，不改变轴的顺序，不打乱特征才有意义！

看完张量，直接跳到keras。

序贯模型，

计算一个layer的weights 个数 ，

model = keras.Sequential()

model.add(keras.Input(shape=(10, 10, 1)))  # 10x10 ,1个channel

model.add(layers.Conv2D(1, 3, strides=1, activation="relu"))

param=10，1个（3*3的kernal+1个偏移量b）=10

model = keras.Sequential()

model.add(keras.Input(shape=(10, 10, 1)))  

model.add(layers.Conv2D(3, 3, strides=1, activation="relu"))

param=30，3个（3*3的kernal+1个偏移量b）=30

model = keras.Sequential()

model.add(keras.Input(shape=(10, 10, 3)))  #3个通道，共享一个偏移值b，

model.add(layers.Conv2D(3, 3, strides=1, activation="relu"))

param=84，3个（3*3的kernal*3个通道+1个偏移量b）=84

通道共享偏移值，一个卷积就是一个算子（过滤器），在整个图像上搜索过滤出一个特征

理解卷积，池化，全局最大池化，通过上面的计算对卷积应该有所了解，池化就是下采样。

如果把连接图输出出来就更加清楚了。

如下，这个模型，

model = keras.Sequential(

    [

        keras.Input(shape=input_shape),

        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),

        layers.MaxPooling2D(pool_size=(2, 2)),

        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),

        layers.MaxPooling2D(pool_size=(2, 2)),

        layers.Flatten(),

        layers.Dropout(0.5),

        layers.Dense(num_classes, activation="softmax"),

    ]

)

tensorboard中看graph如下。网络结构已经一目了然了。注意到sequential几个字的3条灰色的线，是反向传播的3条路径