根据文档，this example中提供的模型类似于以下文章： “Character-level Convolutional Networks for Text Classification”
我发现原始模型（在论文中提出）包含9层深，有6个卷积层和3个完全连接层，但实现的例子只包含两个卷积层：
with tf.variable_scope('CNN_Layer1'):
# Apply Convolution filtering on input sequence.
conv1 = tf.contrib.layers.convolution2d(
byte_list, N_FILTERS, FILTER_SHAPE1, padding='VALID')
# Add a RELU for non linearity.
conv1 = tf.nn.relu(conv1)
# Max pooling across output of Convolution+Relu.
pool1 = tf.nn.max_pool(
conv1,
ksize=[1, POOLING_WINDOW, 1, 1],
strides=[1, POOLING_STRIDE, 1, 1],
padding='SAME')
# Transpose matrix so that n_filters from convolution becomes width.
pool1 = tf.transpose(pool1, [0, 1, 3, 2])
with tf.variable_scope('CNN_Layer2'):
# Second level of convolution filtering.
conv2 = tf.contrib.layers.convolution2d(
pool1, N_FILTERS, FILTER_SHAPE2, padding='VALID')
# Max across each filter to get useful features for classification.
pool2 = tf.squeeze(tf.reduce_max(conv2, 1), squeeze_dims=[1])
如果有人可以帮我扩展这个模型以获得更多图层？
答案 0 :(得分：0)
与BVLC Caffenet相似：
def bvlc_caffenet（imgs，weights，biases）： ＃mean减法 mean = tf.constant（[123.68,116.779,103.939]，dtype = tf.float32，shape = [1,1,1,3]，name =＆＃39; img_mean＆＃39;） images = imgs-mean
＃CONV1 conv1 = tf.nn.conv2d（图像，权重[＆＃39; c1＆＃39;]，[1,3,3,1]，填充=＆＃39;有效＆＃39;） out1 = tf.nn.relu（tf.nn.bias_add（conv1，biases [＆＃39; b1＆＃39;]）） pool1 = tf.nn.max_pool（out1，ksize = [1,3,3,1]，strides = [1,2,2,1]，padding =＆＃39; VALID＆＃39;）
＃CONV2 conv2 = tf.nn.conv2d（pool1，weight [＆＃39; c2＆＃39;]，[1,1,1,1]，padding =＆＃39; VALID＆＃39;） out2 = tf.nn.relu（tf.nn.bias_add（conv2，偏见[＆＃39; b2＆＃39;]）） pool2 = tf.nn.max_pool（out2，ksize = [1,3,3,1]，strides = [1,2,2,1]，padding =＆＃39; VALID＆＃39;）
＃conv3 conv3 = tf.nn.conv2d（pool2，权重[＆＃39; c3＆＃39;]，[1,1,1,1]，padding =＆＃39; VALID＆＃39;） out3 = tf.nn.relu（tf.nn.bias_add（conv3，偏见[＆＃39; b3＆＃39;]））
＃CONV4 conv4 = tf.nn.conv2d（out3，权重[＆＃39; c4＆＃39;]，[1,1,1,1]，填充=＆＃39;有效＆＃39;） out4 = tf.nn.relu（tf.nn.bias_add（conv4，偏见[＆＃39; b4＆＃39;]））
＃conv5 conv5 = tf.nn.conv2d（out4，权重[＆＃39; c5＆＃39;]，[1,1,1,1]，填充=＆＃39;有效＆＃39;） out5 = tf.nn.relu（tf.nn.bias_add（conv5，偏见[＆＃39; b5＆＃39;]）） pool5 = tf.nn.max_pool（out5，ksize = [1,3,3,1]，strides = [1,2,2,1]，padding =＆＃39; VALID＆＃39;）
#flattening shape = int（np.prod（pool5.get_shape（）[1：]）） pool5_flat = tf.reshape（pool5，[ - 1，shape]）
＃FC6 fc6 = tf.matmul（pool5_flat，权重[＆＃39; f6＆＃39;]） out6 = tf.nn.relu（tf.nn.bias_add（fc6，偏见[＆＃39; b6＆＃39;]）） out6 = tf.nn.dropout（out6,0.5）
＃FC7 fc7 = tf.matmul（out6，权重[＆＃39; f7＆＃39;]） out7 = tf.nn.relu（tf.nn.bias_add（fc7，偏见[＆＃39; b7＆＃39;]）） out7 = tf.nn.dropout（out7,0.5）
＃FC8 fc8 = tf.matmul（out7，权重[＆＃39; f8＆＃39;]） out8 = tf.nn.relu（tf.nn.bias_add（fc8，偏见[＆＃39; b8＆＃39;]）） out8 = tf.nn.dropout（out8,0.5）
probs = tf.nn.softmax（out8） 返回probs
weights = { ＆＃39; c1＆＃39;：tf.Variable（tf.truncated_normal（[7,7,3,96]，stddev = 0.1））， ＆＃39; c2＆＃39;：tf.Variable（tf.truncated_normal（[5,5,96,256]，stddev = 0.1））， ＆＃39; c3＆＃39;：tf.Variable（tf.truncated_normal（[3,3,256,384]，stddev = 0.1））， ＆＃39; c4＆＃39;：tf.Variable（tf.truncated_normal（[3,3,384,384]，stddev = 0.1））， ＆＃39; c5＆＃39;：tf.Variable（tf.truncated_normal（[3,3,384,256]，stddev = 0.1））， ＆＃39; f6＆＃39;：tf.Variable（tf.truncated_normal（[4096,2048]，stddev = 0.1））， ＆＃39; f7＆＃39;：tf.Variable（tf.truncated_normal（[2048,2048]，stddev = 0.1））， ＆＃39; f8＆＃39;：tf.Variable（tf.truncated_normal（[2048,1000]，stddev = 0.1）） } 偏见= { ＆＃39; B1＆＃39; ：tf.Variable（tf.constant（0.1，shape = [96]））， ＆＃39; B2＆＃39; ：tf.Variable（tf.constant（0.1，shape = [256]））， ＆＃39; B3＆＃39; ：tf.Variable（tf.constant（0.1，shape = [384]））， ＆＃39; B4＆＃39; ：tf.Variable（tf.constant（0.1，shape = [384]））， ＆＃39; B5＆＃39; ：tf.Variable（tf.constant（0.1，shape = [256]））， ＆＃39; B6＆＃39; ：tf.Variable（tf.constant（0.1，shape = [2048]））， ＆＃39; B7＆＃39; ：tf.Variable（tf.constant（0.1，shape = [2048]））， ＆＃39; B8＆＃39; ：tf.Variable（tf.constant（0.1，shape = [1000]）） }
或
这些有用吗？