Question

通常，在使用诸如keras之类的高级API时，我们不会专门定义layers参数。但是在使用tensorflow核心时，所有模型的参数和权重都是专门定义的。

W1 = tf.Variable(tf.random_normal([filt1_features,
filt1_features, no_channels, conv1_features]))
b1 = tf.Variable(tf.ones([conv1_features]))
W2 = tf.Variable(tf.random_normal([filt2_features,
filt2_features, conv1_features, conv2_features]))
b2 = tf.Variable(tf.ones([conv2_features]))

还创建了辅助函数：

 # Define helper functions for the convolution and maxpool layers:
 def conv_layer(x, W, b):
   conv = tf.nn.conv2d(x, W, strides=[1, 1, 1, 1],
     padding='SAME')
   conv_with_b = tf.nn.bias_add(conv, b)
   conv_out = tf.nn.relu(conv_with_b)
   return conv_out
 def maxpool_layer(conv, k=2):
   return tf.nn.max_pool(conv, ksize=[1, k, k, 1],
    strides=[1, k, k, 1], padding='SAME')

这是标准的做法吗？

Answer 1

这是底层API。最初，这是在TensorFlow中做事的唯一方法。如果您想使用低电平，则可以，这是正确的方法。

您可能会想要/需要更多的灵活性，但是如果您只是要使用标准层（例如池，conv2d，模型中的完全连接），那么可能没有意义，您可以简单地使用tf .layers或tf.keras.layers api，比自己编写所有内容更快，更容易出错。

这些更高级别的api最终将完成与您上面编写的内容相同的工作，只是您不必担心自己制作变量等。

张量流核心的标准工作方式

1 个答案: