使用tensorflow实现卷积的几种操作

发表于 | 更新于: | 分类于 | 阅读次数: |
字数统计: 608字 | 阅读时长 ≈ 3分钟

   这里简要总结一下tensorflow实现卷积操作的几种写法，定义方式有很多。例如使用一个9x9的卷积核将一个三通道图像转换成64通道的feature,遇到过的有以下一些：

直接定义就写

   这种写法简单粗暴，一边定义卷积核、偏置和卷及操作一边写，优点是操作灵活，但是代码量太大尤其是重复单元较多的时候，一个例子如下:

1
2
3
4
5
weight = tf.get_variable('weight',[9,9,3,64], initializer=tf.truncated_normal_initializer(stddev=0.01))#定义权重
biases = tf.get_variable('bias',[64],initializer = tf.constant(0.01))#定义偏置
conv = tf.nn.conv2d(input,weight,stride=[1,1,1,1],padding='SAME')#卷积
bias = tf.nn.bias_add(conv,biases)#加偏置
activate_conv = tf.nn.relu(bias)# 激活

对卷积中的各部分做封装再写

不过上面这样实现卷积仍然过于复杂，如果每层都这么弄那么代码量会非常大，因此可以对权重定义等做封装，如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def weight_variable(shape,name):  #定义权重
    initial = tf.truncated_normal(shape,stddev=0.01)
    return tf.Variable(initial,name=name)
    
def bias_variable(shape,name):   #定义偏置
    initial = tf.constant(0.01,shape=shape)
    return tf.Variable(initial,name=name)

def conv2d(x,W): #定义卷积
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SMAE')

#这样上述的卷积可以写成
W1 = weight_varialble([9,9,3,64],name='W1')
b1 = bias_variable([64],name='b1')
out = tf.nn.relu(conv2d(input,W1)+b1)

这样每层都可以用三行代码就搞定了，相比于原来的六层代码少写了很多，当然借助tensorflow的slim库，代码量还可以减少的更多。

通过slim库再写

 emsp; slim库对卷积的封装程度非常高的，导入slim库，一行就能搞定

1
out = slim.conv2d(input,64,kernel_size=[9,9])

这个操作可以说是很简洁了，就连偏置和激活函数都省略了，当然灵活度也降低了很多，slim默认加上bias，激活函数默认使用relu，具体定义接口如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def convolution(inputs,
                num_outputs,
                kernel_size,
                stride=1,
                padding='SAME',
                data_format=None,
                rate=1,
                activation_fn=nn.relu,
                normalizer_fn=None,
                normalizer_params=None,
                weights_initializer=initializers.xavier_initializer(),
                weights_regularizer=None,
                biases_initializer=init_ops.zeros_initializer(),
                biases_regularizer=None,
                reuse=None,
                variables_collections=None,
                outputs_collections=None,
                trainable=True,
                scope=None):

现在使用多了，还是偏向于使用slim，毕竟方便，当然以后还是要慢慢转pytorch，感觉调试更友好啊。

0%