在TensorFlow中封裝好了一個(gè)高級(jí)庫(kù),，tf.contrib.layers庫(kù)封裝了很多的函數(shù),，使用這個(gè)高級(jí)庫(kù)來(lái)開(kāi)發(fā)將會(huì)提高效率，卷積函數(shù)使用tf.contrib.layers.conv2d,，池化函數(shù)使用tf.contrib.layers.max_pool2d和tf.contrib.layers.avg_pool2d,，全連接函數(shù)使用 tf.contrib.layers.fully_connected，下面來(lái)看里面封裝好的函數(shù)接口：

以最復(fù)雜的卷積為例,，其他的幾個(gè)函數(shù)與之類似：

layers.conv2d(inputs,
              num_outputs,
              kernel_size,
              stride,
              padding='SAME',
              data_format=None,
              rate=1,
              activation_fn=tf.nn.relu,
              normalizer_fn=None,
              normalizer_params=None,
              weights_initializer=initializers.xavier_initializers(),
              weights_regularizer=None,
              reuse=None,
              variables_collections=None,
              outputs_collections=None,
              trainable=True,
              scope=None)

常用的參數(shù)說(shuō)明：

inputs：輸入的數(shù)據(jù)

num_outputs：設(shè)置輸出的channel數(shù)量,。這里不用在設(shè)置輸入的channel的數(shù)量了，該函數(shù)會(huì)自動(dòng)根據(jù)shape來(lái)判斷,。

kernel_size：卷積核大小,，不需要帶上batch和channel，只需要輸入尺寸即可,，[ 5, 5 ]就代表5x5大小的卷積核,，如果長(zhǎng)寬都一樣，可以直接寫(xiě)一個(gè)5就行了,。

stride：步長(zhǎng),，默認(rèn)的長(zhǎng)寬都是相等的步長(zhǎng),，卷積時(shí)一般都用1，默認(rèn)的值也是1,，如果長(zhǎng)寬都不同,，也可以用一個(gè)數(shù)組[ 1,2 ]來(lái)表示。

padding：設(shè)置填充的規(guī)則,。

activation_fn：輸出后的激活函數(shù),。

weights_initializer：權(quán)重的初始化方式，默認(rèn)使用的是?initializers.xavier_initializers(),，能夠使得所有層的梯度保持大體相同,，biases_initializer同理。

weights_regularizer：正則化項(xiàng),，可以加入正則函數(shù),。

trainable：是否可訓(xùn)練，如作為訓(xùn)練節(jié)點(diǎn),，必須設(shè)置為T(mén)rue,。

下面我們使用layers構(gòu)建一個(gè)網(wǎng)絡(luò)模型：

import tensorflow.contrib.layers as layers

x = tf.placeholder(dtype=tf.float32, shape=[None, 32, 32, 3])
y = tf.placeholder(dtype=tf.float32, shape=[None, 10])

x_images = tf.reshape(x, [-1, 32, 32, 3])

h_conv1 = layers.conv2d(x_images, 64, 3, 1, activation_fn=tf.nn.relu)
h_pool1 = layers.max_pool2d(h_conv1, [2, 2], stride=2, padding='SAME')

h_conv2 = layers.conv2d(h_pool1, 64, 3, 1, activation_fn=tf.nn.relu)
h_pool2 = layers.max_pool2d(h_conv2, [2, 2], stride=2, padding='SAME')

h_conv3 = layers.conv2d(h_pool2, 32, 3, 1, activation_fn=tf.nn.relu)
h_pool3 = layers.max_pool2d(h_conv3, [2, 2], stride=2, padding='SAME')

h_conv4 = layers.conv2d(h_pool3, 16, 3, 1, activation_fn=tf.nn.relu)
h_pool4 = layers.max_pool2d(h_conv4, [2, 2], stride=2, padding='SAME')

h_conv5 = layers.conv2d(h_pool4, 10, 3, 1, activation_fn=tf.nn.relu)
y_pool = tf.reshape(h_conv5, shape=[-1, 40])

y_pool = layers.fully_connected(y_pool, 10, activation_fn=None)

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=y_pool))

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

使用layers是不是極大的簡(jiǎn)化了網(wǎng)絡(luò)默寫(xiě)的代碼，提升了我們的代碼效率,。

?