TensorFlow 神经网络相关函数

TensorFlow 激活函数

激活操作提供用于神经网络的不同类型的非线性。这些包括平滑的非线性(sigmoid，tanh，elu，softplus，和softsign)，连续的，但不是到处可微函数(relu，relu6，crelu和relu_x)，和随机正规化(dropout)。

所有激活操作应用于分量，并产生与输入张量相同形状的张量。

• tf.nn.relu
• tf.nn.relu6
• tf.nn.crelu
• tf.nn.elu
• tf.nn.softplus
• tf.nn.softsign
• tf.nn.dropout
• tf.nn.bias_add
• tf.sigmoid
• tf.tanh

TensorFlow 卷积运算

卷积运算在一批图像上扫描2维滤镜，将滤镜应用到适当大小的每个图像的每个窗口。不同的操作在通用和特定过滤器之间取舍：

• conv2d：可以将通道混合在一起的任意滤波器
• depthwise_conv2d：独立对每个通道进行操作的过滤器
• separable_conv2d：深度方向的空间滤波器,后跟一个点滤波器

注意，尽管这些操作被称为“卷积”，但它们严格地说是“互相关”，因为滤波器与输入窗口组合而不反转滤波器。

过滤器应用于与过滤器相同大小的图像补丁，并根据 strides 参数进行分段。strides = [1, 1, 1, 1] 在每个偏移处将滤镜应用到贴片，strides = [1, 2, 2, 1] 将滤镜应用到每个维度中的每个其他图像补丁等。

忽略通道，假设4维 input 具有shape [batch, in_height, in_width, ...]，4维 filter具有shape [filter_height, filter_width, ...]，则卷积运算的空间语义如下：首先，根据选择的填充方案 'SAME' 或 'VALID' 输出大小和计算填充像素。对于 'SAME' 填充，输出高度和宽度计算如下：

out_height = ceil(float(in_height) / float(strides[1]))
out_width  = ceil(float(in_width) / float(strides[2]))

沿高度和宽度应用的总填充量计算如下：

if (in_height % strides[1] == 0):
  pad_along_height = max(filter_height - strides[1], 0)
else:
  pad_along_height = max(filter_height - (in_height % strides[1]), 0)
if (in_width % strides[2] == 0):
  pad_along_width = max(filter_width - strides[2], 0)
else:
  pad_along_width = max(filter_width - (in_width % strides[2]), 0)

最后，顶部，底部，左侧和右侧的填充是：

pad_top = pad_along_height // 2
pad_bottom = pad_along_height - pad_top
pad_left = pad_along_width // 2
pad_right = pad_along_width - pad_left

请注意，除以2意味着可能会出现两侧的填充(顶部与底部，右侧和左侧)关闭的情况.在这种情况下，底部和右侧总是得到一个额外的填充像素。例如，当 pad_along_height 为 5 时，我们在顶部填充2个像素，在底部填充3个像素。请注意,这不同于现有的库，如 cuDNN 和 Caffe，它们明确指定了填充像素的数量，并且始终在两侧都填充相同数量的像素。

对于'VALID“填充”，输出高度和宽度计算如下：

out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))
out_width  = ceil(float(in_width - filter_width + 1) / float(strides[2]))

并且没有使用填充。

给定输出大小和填充，输出可以计算为：

$ output[b, i, j, :] = sum_{d_i, d_j} input[b, strides[1] * i + d_i - pad_{top}, strides[2] * j + d_j - pad_{left}, ...] * filter[d_i, d_j, ...]$

其中在原始输入图像区域之外的任何值被认为是零(即，我们在图像的边界周围填充零值)。

因为 input 是4维的，所以每个 input[b, i, j, :]都是一个向量。因为 conv2d，这些向量被 filter[di, dj, :, :] 矩阵乘以产生新的向量。因为 depthwise_conv_2d，每个标量分量 input[b, i, j, k]乘以一个向量 filter[di, dj, k]，并且所有的向量都被连接起来。

• tf.nn.convolution
• tf.nn.conv2d
• tf.nn.depthwise_conv2d
• tf.nn.depthwise_conv2d_native
• tf.nn.separable_conv2d
• tf.nn.atrous_conv2d
• tf.nn.atrous_conv2d_transpose
• tf.nn.conv2d_transpose
• tf.nn.conv1d
• tf.nn.conv3d
• tf.nn.conv3d_transpose
• tf.nn.conv2d_backprop_filter
• tf.nn.conv2d_backprop_input
• tf.nn.conv3d_backprop_filter_v2
• tf.nn.depthwise_conv2d_native_backprop_filter
• tf.nn.depthwise_conv2d_native_backprop_input

池操作

池操作通过输入张量扫描矩形窗口，计算每个窗口的缩减操作(平均值,最大值或最大值与 argmax).每个池操作使用大小 ksize 由偏移量分隔的矩形窗口 strides。例如，如果 strides 每个窗口都是所有窗口，如果每个窗口都是 strides 每个窗口都使用两个等等。

详细来说，输出是：

output[i] = reduce(value[strides * i:strides * i + ksize])

其中指数也考虑到填充值。Convolution 有关填充计算的详细信息,请参阅该部分。

• tf.nn.avg_pool
• tf.nn.max_pool
• tf.nn.max_pool_with_argmax
• tf.nn.avg_pool3d
• tf.nn.max_pool3d
• tf.nn.fractional_avg_pool
• tf.nn.fractional_max_pool
• tf.nn.pool

形态学滤波

形态运算符是图像处理中使用的非线性滤波器。

灰度形态扩张是标准求和积卷积的最大和对数：

$ output[b, y, x, c] = max_{dy, dx} input[b, strides[1] * y + rates[1] * dy, strides[2] * x + rates[2] * dx, c] + filter[dy, dx, c]$

在 filter 通常被称为构造功能。当过滤器采用全零值(也称为平面结构化功能)时，最大汇集是灰度形态扩张的特殊情况。

灰度形态侵蚀是标准和积卷积的最小和对数：

$ output[b, y, x, c] = min_{dy, dx} input[b, strides[1] * y - rates[1] * dy, strides[2] * x - rates[2] * dx, c] - filter[dy, dx, c]$

膨胀和侵蚀是相互的。构造信号 g 的输入信号 f 的扩张等于对 f 的反射 g 的侵蚀的否定，反之亦然。

以与标准卷积完全相同的方式进行横移和填充.详情请参阅Convolution一节。

• tf.nn.dilation2d
• tf.nn.erosion2d
• tf.nn.with_space_to_batch

规范化

规范化是有用的，以防止神经元饱和时，输入可能有不同的规模，并帮助泛化。

• tf.nn.l2_normalize
• tf.nn.local_response_normalization
• tf.nn.sufficient_statistics
• tf.nn.normalize_moments
• tf.nn.moments
• tf.nn.weighted_moments
• tf.nn.fused_batch_norm
• tf.nn.batch_normalization
• tf.nn.batch_norm_with_global_normalization

TensorFlow 损失操作

损失操作测量两张量之间或在张量和零之间的误差。这些可以用于测量网络在回归任务中的准确度，或用于正则化目的 (重量衰减)。

• tf.nn.l2_loss
• tf.nn.log_poisson_loss

TensorFlow 分类操作

TensorFlow 提供了几个可以帮助您执行分类的操作。

• tf.nn.sigmoid_cross_entropy_with_logits
• tf.nn.softmax
• tf.nn.log_softmax
• tf.nn.softmax_cross_entropy_with_logits
• tf.nn.sparse_softmax_cross_entropy_with_logits
• tf.nn.weighted_cross_entropy_with_logits

TensorFlow 查找嵌套的张量

TensorFlow 提供库支持查找嵌套张量的值。

• tf.nn.embedding_lookup
• tf.nn.embedding_lookup_sparse

TensorFlow 构造递归神经网络

TensorFlow 提供了一些构建循环神经网络的方法。最接受一个 RNNCell-subclassed 对象(参见文档 tf.contrib.rnn)。

• tf.nn.dynamic_rnn
• tf.nn.bidirectional_dynamic_rnn
• tf.nn.raw_rnn

连接时间分类(CTC)

• tf.nn.ctc_loss
• tf.nn.ctc_greedy_decoder
• tf.nn.ctc_beam_search_decoder

评估

评估操作对于测量网络的性能很有用。它们通常在评估时使用。

• tf.nn.top_k
• tf.nn.in_top_k

采样抽样

您是否要培养具有数千或数百万个输出类的多类或多标签模型(例如，具有较大词汇量的语言模型)？在这种情况下，使用完整的 Softmax 进行训练是缓慢的，因为对于每个训练示例都对所有课程进行了评估。候选抽样训练算法可以通过仅考虑每批培训示例的对比性类别(称为候选)的小随机选择子集来加快您的步骤时间。

采样损失函数

TensorFlow 提供以下采样丢失功能，用于更快的训练。

• tf.nn.nce_loss
• tf.nn.sampled_softmax_loss

候选采样

TensorFlow 提供以下采样器，用于在使用上述采样丢失函数之一时随机抽样候选类。

• tf.nn.uniform_candidate_sampler
• tf.nn.log_uniform_candidate_sampler
• tf.nn.learned_unigram_candidate_sampler
• tf.nn.fixed_unigram_candidate_sampler

杂项候选采样工具

• tf.nn.compute_accidental_hits

TensorFlow 量化操作

• tf.nn.quantized_conv2d
• tf.nn.quantized_relu_x
• tf.nn.quantized_max_pool
• tf.nn.quantized_avg_pool