TF基础3

批标准化

批标准化（batch normalization,BN）是为了克服神经网络层数加深导致难以训练而诞生的。深度神经网络随着深度加深，收敛会越来越慢，会导致梯度弥散问题（vanishing gradient problem）。

统计机器学习有一个ICS理论，这是一个经典假设:源域和目标域的数据分布是一致的。

解决思路是根据训练样本和目标样本的比例对训练样本做一个矫正。

方法

批标准化一般用在非线性映射（激活函数）之前，对x=Wu+b做规范化，使结果（输出信号各个维度）的均值为0，方差为1，让每一层的输入有一个稳定的分布会有利于网络的训练。

优点：加快收敛速度，容易跳出局部最小值，一定程度上缓解过拟合。

示例

对每层的Wx_plus_b进行批标准化，这个步骤放在激活函数之前：

#计算的均值和方差，其中axes=[0]表示想要标准化的维度
fc_mean,fc_var=tf.nn.moments(Wx_plus_b,axes=[0],)
scale=tf.Variable(tf.ones([out_size]))
shift=tf.Variable(tf.zeros([out_size]))
epsilon=0.001
Wx_plus_b=tf.nn.batch_normalization(Wx_plus_b,fc_mean,fc_var,shift,scale,epsilon)
#也就是在做：
#Wx_plus_b=（Wx_plus_b-fc_mean）/tf.sqrt(fc_var+0.001)
#Wx_plus_b=Wx_plus_b*scale+shift

神经元函数及优化方法

激活函数

激活函数（activation function）运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。

激活函数不会改变输入数据的维度，即输入和输出维度一样。

TF有以下激活函数：

平滑非线性的激活函数：sigmoid、tanh、elu,softplus和softsign,即tf.nn.softplus()等等

连续但是不是处处可微的函数：relu、relu6、crelu和relu_x，即tf.nn.relu()等等

随机正则化函数dropout：tf.nn.dropout(),防止过拟合，用来舍弃某些神经元

relu是目前最受欢迎的激活函数。

a=tf.constant([-1.0,2.0])
with tf.Session() as sess:
    b=tf.nn.relu(a)
    print(sess.run(b))

[ 0. 2.]

dropout函数：一个神经元将以概率keep_pro决定是否被抑制；如果被抑制，该神经元的输出就是0,如果不被抑制，那么该神经元的输出值将被放大到原来的1/keep_pro倍。

a=tf.constant([[-1.0,2.0,3.0,4.0]])
with tf.Session() as sess:
    b=tf.nn.dropout(a,0.5,noise_shape=[1,4])
    print(sess.run(b))
    b = tf.nn.dropout(a, 0.5, noise_shape=[1, 1])
    print(sess.run(b))

[[-0. 4. 6. 8.]]

[[-2. 4. 6. 8.]]

小结：

当输入数据特征相差明显时，用tanh的效果会很好。

当输入数据特征相差不明显时，用sigmoid的效果会很好。

现在大部分卷积神经网络采用relu作为激活函数，其他的有用tanh，尤其在NLP上。

卷积函数

卷积函数是构建神经网络的重要支架。

以下分别说明：

1.计算N维卷积的和的函数tf.nn.convolution()

tf.nn.convolution(input,filter,padding,strides=None,dilation_rate=None,name=None,data_format=None)

2.对一个四维的输入数据input和四维的卷积核filter进行操作，然后对输入数据进行一个二维的卷积操作，最后得到卷积之后的结果。

tf.nn.conv2d(input,filter, strides, padding, use_cudnn_on_gpu=None, name=None)

input:为一个Tensor，数据类型必须是float32或者float64；

filter:为一个tensor,数据类型必须是与input输入的数据类型相同；

strides:一个长度是4的一维整数类型数组，每一维度对应的是input中每一维的对应移动步数；如strides[1]对应input[1]的移动步数；

padding：一个字符串，取值为SAME或者VALID；‘SAME'适用于全尺寸操作，即输入数据维度和输出数据维度相同；'VALID'适用于部分窗口；

use_cudnn_on_gpu:一个可选布尔值，默认情况下是True;

name:为这个操作取一个名字；

import tensorflow as tf
import os
import numpy as np
input_data= tf.Variable(np.random.rand(10,9,9,3),dtype=np.float32)
filter_data=tf.Variable(np.random.rand(2,2,3,4),dtype=np.float32)
y = tf.nn.conv2d(input_data,filter_data,strides=[1,3,3,1],padding='SAME')
print('输入的结果为：', y)

输入的结果为： Tensor("Conv2D:0", shape=(10, 3, 3, 4), dtype=float32)

3.函数tf.nn.depthwise_conv2d(input, filter, strides, padding, name=None,data_format=None)

input的数据维度[batch,in_height,in_weight,in_channels]

filter的维度[filter_height, filter_width,in_channel, channel_multiplierl]

在通道in_channels上面的卷积深度是3，

将不同的卷积核独立地应用在in_channels的每条通道上，

然后将所有的结果进行汇总，输出通道的总数，in_channel*channel_multiplier

4.函数tf.nn.separable_conv2d(input, depthwise_filter, pointwise_filter, strides, padding, name=None,data_format=None)

利用几个分离的卷积核去做卷积。

depthwise_filter:为一个张量，数据维度是四维[filter_height, filter_width, in_channels, channel_multiplier]

pointwise_filter:一个四维的张量，数据维度是四维[1,1,channel_multipliter*in_channels,out_channels]。

pointwise_filter是在depthwise_filter卷积之后的混合卷积；

strides:一个长度是4的一维整数类型数组，每一个维度对应的是input中每一维的对应移动步数

5)函数tf.nn.atrous_conv2d(value, filters, rate, padding, name=None)计算Atrous卷积，称为扩张卷积

(6)函数tf.nn.conv2d_transpose(value, filter, output_shape,strides, padding='SAME',data_format='NHWC',name=None)为conv2d的转置。

(7)函数tf.nn.conv1d(value, filters, stride, padding , use_cudnn_on_gpu=None,data_format=None,name=None)与二维卷积类似

该函数用来计算给定三维的输入和过滤器的情况下的一维卷积。

输入为三维，[batch, in_width, in_channels]

卷积核的维度为三维，少了一维filter_heigth,如[filter_width,in_channels, out_channels].

stride是一个正整数，代表卷积核向右移动每一步的长度。

(8)函数tf.nn.conv3d(input, filter, strides, padding, name=None)与二维卷积类似。

用来计算给定五维的输入和过滤器的情况下的三维卷积

与二维卷积相对比：

input的shape中多了一维in_depth,形状为[batch, in_depth, in_height, in_width, in_channels]

filter的shape中多了一维filter_depth,[filter_depth, filter_height, in_channel,channel_multiplierl]构成卷积核大小

strides的shape中多了一维strides_depth,  [strides_batch, strides_depth, strides_height, strides_width, strides_channel]

(9)函数tf.nn.conv3d_tranpose(value, filter, output_shape, strides, padding='SAME',name=None)与二维反卷积类似。

池化函数

在神经网络中，池化函数一般跟在卷积函数的下一层。池化分为最大池化和平均池化两种。每个池化操作的窗口大小由ksize指定，并根据步长stride决定移动步长。

(1).tf.nn.avg_pool(value,ksize,strides,padding,data_format='NHWC',name=None) 计算池化区域中元素的平均值

def avg_pool(value, ksize, strides, padding, data_format='NHWC', name=None)

value:是一个四维的张量，数据维度是[batch, height, width, channels]

ksize:是一个长度不小于4的整型数组，每一位上的值对应于输入数据张量中每一维的窗口对应值

strides:一个长度不小于4的整型数组，该参数指定滑动窗口在输入数据张量每一维上的步长

padding：一个字符串， 取值为SAME或者VALID

data_format:'NHWC'代表输入张量维度的顺序，N为个数，H为高度，W为宽度，C为通道数

name:为这个操作取一个名字；

(2)tf.nn.max_pool(value,ksize, strides, padding, data_format='NHWC', name=None)

计算池化区域中元素的最大值

(3).tf.nn.max_pool_with_argmax(input, ksize, strides, padding ,Targmax=None, name=None)

计算池化区域中元素的最大值和该最大值所在的位置

(4).tf.nn.avg_pool3d()和tf.nn.max_pool3d()

分别为在三维下的平均池化层和最大池化层

(5).tf.nn.fractional_avg_pool()和tf.nn.fractional_max_pool()

分别为在三维下的平均池化和最大池化

(6)tf.nn.pool()执行一个N维的池化操作

（https://www.sogou.com/link?url=DOb0bgH2eKh1ibpaMGjuy9i2Gol-5JTB43wDyFcvlbGHDDTl0xsUWrBn4VA8J3Sxh3Iic7Mnfz-YMEr0L5a9ww..）

分类函数

优化方法

重点有8个，如下：

tf.train.GradientDescentOptimizer()

tf.train.AdadeltaOptimizer()

tf.train.AdagradOptimizer()

tf.train.AdagradDAOptimizer()

tf.train.MomentumOptimizer()

tf.train.AdamOptimizer()

tf.train.FtrlOptimizer()

tf.train.RMSPropOptimizer()

（具体：https://blog.csdn.net/imfengyitong/article/details/70808544）