TensorFlow中的图层模块提供用于深度学习的更高层次封装的API，利用它我们可以轻松地构建模型，这一节我们就来看这个模块的API的具体用法。
概览
层模块的路径写法为tf.layers，这个模块定义在tensorflow / python / layers / layers.py，其官方文档地址为：
https
://www.tensorflow.org/api_docs/python/tf/layers，TensorFlow
版本为1.5。
这里面提供了多个类和方法以供使用，下面我们分别予以介绍。
方法
tf.layers模块提供的方法有：
-
Input（...）：用于实例化一个输入张量，作为神经网络的输入。
-
average_pooling1d（...）：一维平均池化层
-
average_pooling2d（...）：二维平均池化层
-
average_pooling3d（...）：三维平均池化层
-
batch_normalization（...）：批量标准化层
-
conv1d（...）：一维卷积层
-
conv2d（...）：二维卷积层
-
conv2d_transpose（...）：二维反卷积层
-
conv3d（...）：三维卷积层
-
conv3d_transpose（...）：三维反卷积层
-
密集（...）：全连接层
-
辍学（...）：辍学层
-
flatten（...）：Flatten层，即把一个张量展平
-
max_pooling1d（...）：一维最大池化层
-
max_pooling2d（...）：二维最大池化层
-
max_pooling3d（...）：三维最大池化层
-
separable_conv2d（...）：二维深度可分离卷积层
输入
tf.layers.Input（）这个方法是用于输入数据的方法，其实类似于tf.placeholder，相当于一个占位符的作用，当然也可以通过传入张量参数来进行赋值。
12345678Input( shape=None, batch_size=None, name=None, dtype=tf.float32, sparse=False, tensor=None)
参数说明如下：
-
形状：可选，默认无，是一个数字组成的组或列表，但是这个形状比较特殊，它不包含batch_size，比如传入的形为[32]，那么它会将形状转化为[？，32 ]，这里一定需要注意。
-
batch_size：任选，默认无，代表输入数据的批量大小，可以是数字或者无。
-
名称：可选，默认无，输入层的名称。
-
dtype：可选，默认tf.float32，元素的类型。
-
稀疏：可选，默认False，指定是否以稀疏矩阵的形式来创建占位符。
-
张量：任选，默认无，如果指定，那么创建的内容便不再是一个占位符，会用此张量初始化。
返回值：返回一个包含历史元数据的张量。
我们用一个实例来感受一下：
1234x = tf.layers.Input(shape=[32])print(x)y = tf.layers.dense(x, 16, activation=tf.nn.softmax)print(y)
首先我们用Input（）方法初始化了一个占位符，这时我们没有传入张量参数，然后调用了dense（）方法构建了一个全连接网络，激活函数使用softmax，然后将二者输出，结果如下：
12Tensor("input_layer_1:0", shape=(?, 32), dtype=float32)Tensor("dense/Softmax:0", shape=(?, 16), dtype=float32)
这时我们发现，shape它给我们做了转化，本来是[32]，结果它给转化成了[？，32]，即第一维代表batch_size，所以我们需要注意，在调用此方法的时候不需要去关心batch_size这一维。
如果我们在初始化的时候传入一个已有张量，例如：
123data = tf.constant([1, 2, 3])x = tf.layers.Input(tensor=data)print(x)
结果如下：
1Tensor("Const:0", shape=(3,), dtype=int32)
可以看到它可以自动计算出其形状和dtype。
batch_normalization
此方法是批量标准化的方法，经过处理之后可以加速训练速度，其定义在tensorflow / python / layers / normalization.py，论文可以参考：
http://arxiv.org/abs/1502.03167
“批量标准化：加速深度通过减少内部协变量来进行网络培训“。
1234567891011121314151617181920212223242526batch_normalization( inputs, axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer=tf.zeros_initializer(), gamma_initializer=tf.ones_initializer(), moving_mean_initializer=tf.zeros_initializer(), moving_variance_initializer=tf.ones_initializer(), beta_regularizer=None, gamma_regularizer=None, beta_constraint=None, gamma_constraint=None, training=False, trainable=True, name=None, reuse=None, renorm=False, renorm_clipping=None, renorm_momentum=0.99, fused=None, virtual_batch_size=None, adjustment=None)
参数说明如下：
-
输入：必需，即输入数据。
-
axis：任选，默认-1，即进行标注化操作时操作数据的哪个维度。
-
动力：可选，默认0.99，即动态均值的动量。
-
epsilon：可选，默认0.01，大于0的小浮点数，用于防止除0错误。
-
center：可选，默认True，若设为True，将会beta作为偏置加上去，否则忽略参数beta
-
scale：任意，默认True，若设为True，则会乘以gamma，否则不使用gamma。当下一层是线性的时，可以设False，因为scaling的操作将被下一层执行。
-
beta_initializer：任选，默认zeros_initializer，即beta权重的初始方法。
-
gamma_initializer：可选，默认ones_initializer，即gamma的初始化方法。
-
moving_mean_initializer：任选，默认zeros_initializer，即动态均值的初始化方法。
-
moving_variance_initializer：可选，默认ones_initializer，即动态方差的初始化方法。
-
beta_regularizer：可选，默认无，beta的正则化方法。
-
gamma_regularizer：可选，默认无，gamma的正则化方法。
-
beta_constraint：可选，默认无，加在beta上的约束项。
-
gamma_constraint：可选，默认无，加在gamma上的约束项。
-
训练：可选，默认False，返回结果是训练模式。
-
可训练：可选，默认为True，布尔类型，如果为True，则要变量添加GraphKeys.TRAINABLE_VARIABLES中。
-
名称：任选，默认无，层名称。
-
重用：可选，默认无，根据层名判断是否重复利用。
-
renorm：任选，默认False，是否要用Batch Renormalization（https://arxiv.org/abs/1702.03275）
-
renorm_clipping：可选，默认无，是否要使用rmax，rmin，dmax来标量张量。
-
renorm_momentum，可选，默认0.99，用来更新动态均值和标准差的Momentum值。
-
融合，可选，默认无，是否使用一个更快的，融合的实现方法。
-
virtual_batch_size，可选，默认无，是一个int数字，指定一个虚拟批量大小。
-
调整，任选，默认无，对标准化后的结果进行适当调整的方法。
最后的一些参数说明不够详尽，更详细的用法参考：
https
其用法很简单，在输入数据后面加一层batch_normalization（）即可：
123x = tf.layers.Input(shape=[32])x = tf.layers.batch_normalization(x)y = tf.layers.dense(x, 20)
稠密
密集，即全连接网络，层模块提供了一个dense（）方法来实现此操作，定义在tensorflow / python / layers / core.py中，下面我们来说明一下它的用法。
12345678910111213141516dense( inputs, units, activation=None, use_bias=True, kernel_initializer=None, bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None, reuse=None)
参数说明如下：
-
输入：必需，即需要进行操作的输入数据。
-
单位：必须，即神经元的数量。
-
activation：可选，默认为None，如果为None则是线性激活。
-
use_bias：可选，默认为True，是否使用偏置。
-
kernel_initializer：可选，默认为None，即权重的初始化方法，如果为None，则使用默认的Xavier初始化方法。
-
bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
-
kernel_regularizer：可选，默认为None，施加在权重上的正则项。
-
bias_regularizer：可选，默认为None，施加在偏置上的正则项。
-
activity_regularizer：可选，默认为None，施加在输出上的正则项。
-
kernel_constraint，可选，默认为None，施加在权重上的约束项。
-
bias_constraint，可选，默认为None，施加在偏置上的约束项。
-
可训练：可选，默认为True，布尔类型，如果为True，则会将变量添加到GraphKeys.TRAINABLE_VARIABLES中。
-
name：可选，默认为None，卷积层的名称。
-
重用：可选，默认为无，布尔类型，如果为True，那么如果名称相同时，会重复利用。
返回值：全连接网络处理后的张量。
下面我们用一个实例来感受一下它的用法：
|
1
2
3
4
5
6
|
x = tf.layers.Input(shape=[32])
print(x)
y1 = tf.layers.dense(x, 16, activation=tf.nn.relu)
print(y1)
y2 = tf.layers.dense(y1, 5, activation=tf.nn.sigmoid)
print(y2)
|
首先我们用Input定义了[？，32]的输入数据，然后经过第一层全连接网络，此时指定了神经元个数为16，激活函数为relu，接着输出结果经过第二层全连接网络，此时指定了神经元个数为5，激活函数为sigmoid，最后输出，结果如下：
|
1
2
3
|
Tensor("input_layer_1:0", shape=(?, 32), dtype=float32)
Tensor("dense/Relu:0", shape=(?, 16), dtype=float32)
Tensor("dense_2/Sigmoid:0", shape=(?, 5), dtype=float32)
|
可以看到输出结果的最后一维度就等于神经元的个数，这是非常容易理解的。
卷积
（），conv2d（），conv3d（），分别代表一维，二维，三维卷积，另外还有conv2d_transpose（），conv3d_transpose（），这个提供了多卷积方法， ，分别代表二维和三维反卷积，还有separable_conv2d（）方法代表二维深度可分离卷积。它们定义在tensorflow / python / layers / convolutional.py中，其用法都是类似的，在这里conv2d（）方法为例进行说明。
123456789101112131415161718192021conv2d( inputs, filters, kernel_size, strides=(1, 1), padding='valid', data_format='channels_last', dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=None, bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None, reuse=None)
参数说明如下：
-
输入：必需，即需要进行操作的输入数据。
-
filters：必需，是一个数字，代表了输出通道的个数，即output_channels。
-
kernel_size：必需，卷积核大小，必须是一个数字（高和宽都是此数字）或者长度为2的列表（分别代表高，宽）。
-
strides：可选，默认为（1，1），卷积步长，必须是一个数字（高和宽都是此数字）或者长度为2的列表（分别代表高，宽）。
-
padding：可选，默认为valid，padding的模式，有效和same两种，大小写不区分。
-
data_format：可选，默认channels_last，分为channels_last和channels_first两种模式，代表了怎么输入数据的维度类型，如果是channels_last，那么输入数据的形状为（batch，height，width，channels），如果是channels_first，那么输入数据的形状为（批次，通道，高度，宽度）。
-
dilation_rate：任选，默认为（1，1），卷积的扩张率，如当扩张率为2时，卷积核内部就会有边距，3×3的卷积核就会变成5× 5。
-
activation：可选，默认为None，如果为None则是线性激活。
-
use_bias：可选，默认为True，是否使用偏置。
-
kernel_initializer：可选，默认为None，即权重的初始化方法，如果为None，则使用默认的Xavier初始化方法。
-
bias_initializer：可选，默认为零值初始化，即偏置的初始化方法。
-
kernel_regularizer：可选，默认为None，施加在权重上的正则项。
-
bias_regularizer：可选，默认为None，施加在偏置上的正则项。
-
activity_regularizer：可选，默认为None，施加在输出上的正则项。
-
kernel_constraint，可选，默认为None，施加在权重上的约束项。
-
bias_constraint，可选，默认为None，施加在偏置上的约束项。
-
可训练：可选，默认为True，布尔类型，如果为True，则会将变量添加到GraphKeys.TRAINABLE_VARIABLES中。
-
name：可选，默认为None，卷积层的名称。
-
重用：可选，默认为无，布尔类型，如果为True，那么如果名称相同时，会重复利用。
返回值：卷积后的张量。
下面我们用实例感受一下它的用法：
123x = tf.layers.Input(shape=[20, 20, 3])y = tf.layers.conv2d(x, filters=6, kernel_size=2, padding='same')print(y)
这里我们首先声明了一个[？，20,20,3]的输入x，然后将其传给conv2d（）方法，filters设定为6，即输出通道为6，kernel_size为2，即卷积核大小为2 x 2，padding方式设置为same，那么输出结果的宽高和原来一定是相同的，但是输出通道就变成了6，结果如下：
1Tensor("conv2d/BiasAdd:0", shape=(?, 20, 20, 6), dtype=float32)
但如果我们将padding方式不传入，使用默认的有效模式，代码改写如下：
|
1
2
3
|
x = tf.layers.Input(shape=[20, 20, 3])
y = tf.layers.conv2d(x, filters=6, kernel_size=2)
print(y)
|
结果如下：
|
1
|
Tensor("conv2d/BiasAdd:0", shape=(?, 19, 19, 6), dtype=float32)
|
结果就变成了[？，19，19，6]，这是因为步长默认为1，卷积核大小为2 x 2，所以得到的结果的高宽即为（20 - （2 - 1） ）×（20-（2-1））= 19×19。
当然卷积核我们也可以变换大小，传入一个列表形式：
|
1
2
3
|
x = tf.layers.Input(shape=[20, 20, 3])
y = tf.layers.conv2d(x, filters=6, kernel_size=[2, 3])
print(y)
|
这时我们的卷积核大小变成了2 x 3，即高为2，宽为3，结果就变成了[？，19，18，6]，这是因为步长默认为1，核大小为2 x 2，所以得到的结果的高宽即为（20 - （2 - 1））x（20 - （3 - 1））= 19 x 18。
如果我们将步长也设置一下，也传入列表形式：
|
1
2
3
|
x = tf.layers.Input(shape=[20, 20, 3])
y = tf.layers.conv2d(x, filters=6, kernel_size=[2, 3], strides=[2, 2])
print(y)
|
这个卷积核大小变成了2 x 3，步长变成了2 x 2，所以结果的高宽为ceil（20 - （2 1））/ 2 x ceil（20 - （3 - 1） ）/ 2 = 10 x 9，得到的结果即为[？，10，9，6]。
运行结果如下：
|
1
|
Tensor("conv2d_4/BiasAdd:0", shape=(?, 10, 9, 6), dtype=float32)
|
另外我们还可以传入激活函数，或者用于偏置等操作，实例如下：
|
1
2
3
|
x = tf.layers.Input(shape=[20, 20, 3])
y = tf.layers.conv2d(x, filters=6, kernel_size=2, activation=tf.nn.relu, use_bias=False)
print(y)
|
这样我们就将激活函数改成了relu，同时禁用了bias，运行结果如下：
|
1
|
Tensor("conv2d_5/Relu:0", shape=(?, 19, 19, 6), dtype=float32)
|
另外还有反卷积操作，反卷积顾名思义即卷积的反向操作，即输入卷积的结果，得到卷积前的结果，其参数用法是完全一样的，例如：
|
1
2
3
|
x = tf.layers.Input(shape=[20, 20, 3])
y = tf.layers.conv2d_transpose(x, filters=6, kernel_size=2, strides=2)
print(y)
|
例如此处输入的图像高宽为20 x 20，经过卷积核为2，步长为2的反卷积处理，得到的结果高宽就变为了40 x 40，结果如下：
|
1
|
Tensor("conv2d_transpose/BiasAdd:0", shape=(?, 40, 40, 6), dtype=float32)
|
池
pooling，即池化，layers模块提供了多个池化方法，这几个池化方法都是类似的，包括max_pooling1d（），max_pooling2d（），max_pooling3d（），average_pooling1d（），average_pooling2d（），average_pooling3d ），分别代表一维二维三维最大和平均池化方法，它们都定义在tensorflow / python / layers / pooling.py中，这里以max_pooling2d（）方法为例进行介绍。
12345678max_pooling2d( inputs, pool_size, strides, padding='valid', data_format='channels_last', name=None)
参数说明如下：
-
输入：必需，即需要池化的输入对象，必须是4维的。
-
pool_size：必需，池化窗口大小，必须是一个数字（高和宽都是此数字）或者长度为2的列表（分别代表高，宽）。
-
strides：必需，池化步长，必须是一个数字（高和宽都是此数字）或者长度为2的列表（分别代表高，宽）。
-
padding：可选，默认valid，padding的方法，有效或者相同，大小写不区分。
-
data_format：可选，默认channels_last，分为channels_last和channels_first两种模式，代表了怎么输入数据的维度类型，如果是channels_last，那么输入数据的形状为（batch，height，width，channels），如果是channels_first，那么输入数据的形状为（批次，通道，高度，宽度）。
-
名称：可选，默认无，池化层的名称。
返回值：经过池化处理后的张量。
下面我们用一个实例来感受一下：
|
1
2
3
4
5
6
|
x = tf.layers.Input(shape=[20, 20, 3])
print(x)
y = tf.layers.conv2d(x, filters=6, kernel_size=3, padding='same')
print(y)
p = tf.layers.max_pooling2d(y, pool_size=2, strides=2)
print(p)
|
在这里我们首先指定了输入x，形为[20,20,3]，然后对其进行了卷积计算，然后池化，最后得到池化后的结果。结果如下：
|
1
2
3
|
Tensor("input_layer_1:0", shape=(?, 20, 20, 3), dtype=float32)
Tensor("conv2d/BiasAdd:0", shape=(?, 20, 20, 6), dtype=float32)
Tensor("max_pooling2d/MaxPool:0", shape=(?, 10, 10, 6), dtype=float32)
|
可以看到这里池化窗口用的是2，步长也是2，所以原本卷积后形为[？，20，20，6]的结果就变成了[？，10，10，6]。
退出
dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，可以用来防止过拟合，层模块中提供了dropout（）方法来实现这一操作，定义在tensorflow / python / layers / core.py。下面我们来说明一下它的用法。
12345678dropout( inputs, rate=0.5, noise_shape=None, seed=None, training=False, name=None)
参数说明如下：
-
输入：必须，即输入数据。
-
rate：任选，默认为0.5，即丢失率，如设置为0.1，则意味着会丢弃10％的神经元。
-
noise_shape：可选，默认为None，int32类型的一维Tensor，它代表了丢弃mask的形状，dropout mask会与输入相乘对输入做转换，例如输入的形状为（batch_size，timesteps，features），但我们想要droput mask在所有timeteps都是相同的，我们可以设置noise_shape = [batch_size，1，features]。
-
seed：任选，默认为None，即产生随机熟的种子值。
