池化层定义在 .

有最大值池化和均值池化。

1、tf.layers.max_pooling2d

max_pooling2d(    inputs,    pool_size,    strides,    padding='valid',    data_format='channels_last',    name=None)

• inputs: 进行池化的数据。
• pool_size: 池化的核大小(pool_height, pool_width)，如[3，3]. 如果长宽相等，也可以直接设置为一个数，如pool_size=3.
• strides: 池化的滑动步长。可以设置为[1,1]这样的两个整数. 也可以直接设置为一个数，如strides=2
• padding: 边缘填充，'same' 和'valid‘选其一。默认为valid
• data_format: 输入数据格式，默认为channels_last ，即 (batch, height, width, channels),也可以设置为channels_first 对应 (batch, channels, height, width).
• name: 层的名字。

例：

pool1=tf.layers.max_pooling2d(inputs=x, pool_size=[2, 2], strides=2)

一般是放在卷积层之后，如：

conv=tf.layers.conv2d(      inputs=x,      filters=32,      kernel_size=[5, 5],      padding="same",      activation=tf.nn.relu)pool=tf.layers.max_pooling2d(inputs=conv, pool_size=[2, 2], strides=2)

2.tf.layers.average_pooling2d

average_pooling2d(    inputs,    pool_size,    strides,    padding='valid',    data_format='channels_last',    name=None)

参数和前面的最大值池化一样。

 

全连接dense层定义在 .

3、tf.layers.dense

dense(    inputs,    units,    activation=None,    use_bias=True,    kernel_initializer=None,    bias_initializer=tf.zeros_initializer(),    kernel_regularizer=None,    bias_regularizer=None,    activity_regularizer=None,    trainable=True,    name=None,    reuse=None)

• inputs: 输入数据，2维tensor.
• units: 该层的神经单元结点数。
• activation: 激活函数.
• use_bias: Boolean型，是否使用偏置项.
• kernel_initializer: 卷积核的初始化器.
• bias_initializer: 偏置项的初始化器，默认初始化为0.
• kernel_regularizer: 卷积核化的正则化，可选.
• bias_regularizer: 偏置项的正则化，可选.
• activity_regularizer: 输出的正则化函数.
• trainable: Boolean型，表明该层的参数是否参与训练。如果为真则变量加入到图集合中 GraphKeys.TRAINABLE_VARIABLES (see tf.Variable).
• name: 层的名字.
• reuse: Boolean型, 是否重复使用参数.

全连接层执行操作 outputs = activation(inputs.kernel + bias)

如果执行结果不想进行激活操作，则设置activation=None。

例：

#全连接层dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu)dense2= tf.layers.dense(inputs=dense1, units=512, activation=tf.nn.relu)logits= tf.layers.dense(inputs=dense2, units=10, activation=None)

也可以对全连接层的参数进行正则化约束：

dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu，kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))