输入数据

tflearn.layers.core.input_data (shape=None, placeholder=None, dtype=tf.float32, data_preprocessing=None, data_augmentation=None, name='InputData')

该层用于将数据输入（也称为馈送）到网络。如果提供TensorFlow占位符，则将使用它，否则将使用给定形状创建新的占位符。

必须提供形状或占位符，否则将引发异常。

此外，占位符将添加到TensorFlow集合中，以便可以使用 tf.get_collection(tf.GraphKeys.INPUTS) 以及 tf.GraphKeys.LAYER_TENSOR + '/' + name 检索它。数据预处理和增强对象也类似，它们存储在集合中，并使用 tf.GraphKeys.DATA_PREP 和 tf.GraphKeys.DATA_AUG。这允许TFLearn的其他部分通过引用这些图键轻松检索和使用这些对象。

输入

整数列表（形状），用于创建新的占位符。或 `Tensor`（占位符），用于使用现有的占位符。

输出

具有给定形状的占位符张量。

参数

shape: 整数列表。表示输入数据形状的数组或元组。如果没有提供占位符，则需要它。第一个元素应该是“None”（表示批大小），如果没有提供，将自动添加。
placeholder: 用于馈送此层的占位符（可选）。如果未指定，将自动创建占位符。您可以通过图键“INPUTS”或此函数返回的张量的“placeholder”属性检索该占位符。
dtype: `tf.type`，占位符数据类型（可选）。默认值：float32。
data_preprocessing: `DataPreprocessing` 子类对象，用于在训练和预测时管理实时数据预处理（例如零中心数据、标准差归一化...）。
data_augmentation: `DataAugmentation`。`DataAugmentation` 子类对象，用于在训练时管理实时数据增强（例如随机图像裁剪、随机图像翻转、随机序列反转...）。
name: `str`。此层的名称（可选）。

全连接层

tflearn.layers.core.fully_connected (incoming, n_units, activation='linear', bias=True, weights_init='truncated_normal', bias_init='zeros', regularizer=None, weight_decay=0.001, trainable=True, restore=True, reuse=False, scope=None, name='FullyConnected')

全连接层。

输入

(2+)-D 张量 [样本数，输入维度]。如果不是二维，输入将被展平。

输出

2D 张量 [样本数，单元数]。

参数

incoming: `Tensor`。传入的 (2+)D 张量。
n_units: `int`，此层的单元数。
activation: `str`（名称）或 `function`（返回 `Tensor`）。应用于此层的激活函数（请参阅 tflearn.activations）。默认值：'linear'。
bias: `bool`。如果为 True，则使用偏差。
weights_init: `str`（名称）或 `Tensor`。权重初始化。（请参阅 tflearn.initializations）默认值：'truncated_normal'。
bias_init: `str`（名称）或 `Tensor`。偏差初始化。（请参阅 tflearn.initializations）默认值：'zeros'。
regularizer: `str`（名称）或 `Tensor`。向此层权重添加正则化器（请参阅 tflearn.regularizers）。默认值：None。
weight_decay: `float`。正则化器衰减参数。默认值：0.001。
trainable: `bool`。如果为 True，则权重将是可训练的。
restore: `bool`。如果为 True，则加载模型时将恢复此层的权重。
reuse: `bool`。如果为 True 并且提供了“scope”，则将重用（共享）此层变量。
scope: `str`。定义此层的范围（可选）。范围可用于在层之间共享变量。请注意，范围将覆盖名称。
name: 此层的名称（可选）。默认值：'FullyConnected'。

属性

scope: `Scope`。此层的范围。
W: `Tensor`。表示单元权重的变量。
b: `Tensor`。表示偏差的变量。

Dropout层

tflearn.layers.core.dropout (incoming, keep_prob, noise_shape=None, name='Dropout')

输出按 `1 / keep_prob` 放大的输入元素。缩放是为了使预期总和保持不变。

默认情况下，每个元素都独立保留或丢弃。如果指定了 noise_shape，则它必须可以广播到 x 的形状，并且只有 noise_shape[i] == shape(x)[i] 的维度才会做出独立的决定。例如，如果 shape(x) = [k, l, m, n] 并且 noise_shape = [k, 1, 1, n]，则每个批次和通道组件将独立保留，并且每行和每列将一起保留或不保留。

参数

incoming : `Tensor`。传入的张量。
keep_prob : 表示每个元素保留概率的浮点数。
noise_shape : 类型为 int32 的一维张量，表示随机生成的保留/丢弃标志的形状。
name : 此层的名称（可选）。

参考文献

Dropout: A Simple Way to Prevent Neural Networks from Overfitting. N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever & R. Salakhutdinov, (2014), Journal of Machine Learning Research, 5(Jun)(2), 1929-1958.

链接

https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf

自定义层

tflearn.layers.core.custom_layer (incoming, custom_fn, **kwargs)

可以对传入的 `Tensor` 或 `Tensor` 列表应用任何操作的自定义层。自定义函数可以与其参数一起作为参数传递。

参数

incoming : `Tensor` 或 `Tensor` 列表。传入的张量。
custom_fn : 自定义 `function`，用于对传入的张量应用一些操作。
**kwargs: 自定义函数可能需要的一些自定义参数。

Reshape层

tflearn.layers.core.reshape (incoming, new_shape, name='Reshape')

将传入层张量输出重塑为所需形状的层。

参数

incoming: `Tensor`。传入的张量。
new_shape: 整数列表。所需的形状。
name: 此层的名称（可选）。

Flatten层

tflearn.layers.core.flatten (incoming, name='Flatten')

展平传入的张量。

输入

(2+)-D `Tensor`。

输出

2-D `Tensor` [批大小，展平后的维度]。

参数

incoming: `Tensor`。传入的张量。

激活函数层

tflearn.layers.core.activation (incoming, activation='linear', name='activation')

对传入的张量应用给定的激活函数。

参数

incoming: `Tensor`。传入的张量。
activation: `str`（名称）或 `function`（返回 `Tensor`）。应用于此层的激活函数（请参阅 tflearn.activations）。默认值：'linear'。

单单元层

tflearn.layers.core.single_unit (incoming, activation='linear', bias=True, trainable=True, restore=True, reuse=False, scope=None, name='Linear')

单单元（线性）层。

输入

1-D 张量 [样本数]。如果不是二维，输入将被展平。

输出

1-D 张量 [样本数]。

参数

incoming: `Tensor`。传入的张量。
activation: `str`（名称）或 `function`。应用于此层的激活函数（请参阅 tflearn.activations）。默认值：'linear'。
bias: `bool`。如果为 True，则使用偏差。
trainable: `bool`。如果为 True，则权重将是可训练的。
restore: `bool`。如果为 True，则加载模型时将恢复此层的权重。
reuse: `bool`。如果为 True 并且提供了“scope”，则将重用（共享）此层变量。
scope: `str`。定义此层的范围（可选）。范围可用于在层之间共享变量。请注意，范围将覆盖名称。
name: 此层的名称（可选）。默认值：'Linear'。

属性

W: `Tensor`。表示权重的变量。
b: `Tensor`。表示偏差的变量。

全连接高速网络层

tflearn.layers.core.highway (incoming, n_units, activation='linear', transform_dropout=None, weights_init='truncated_normal', bias_init='zeros', regularizer=None, weight_decay=0.001, trainable=True, restore=True, reuse=False, scope=None, name='FullyConnectedHighway')

全连接高速网络层，灵感来自 https://github.com/fomorians/highway-fcn。

输入

(2+)-D 张量 [样本数，输入维度]。如果不是二维，输入将被展平。

输出

2D 张量 [样本数，单元数]。

参数

incoming: `Tensor`。传入的 (2+)D 张量。
n_units: `int`，此层的单元数。
activation: `str`（名称）或 `function`（返回 `Tensor`）。应用于此层的激活函数（请参阅 tflearn.activations）。默认值：'linear'。
transform_dropout: `float`：高速网络变换门上的保留概率。
weights_init: `str`（名称）或 `Tensor`。权重初始化。（请参阅 tflearn.initializations）默认值：'truncated_normal'。
bias_init: `str`（名称）或 `Tensor`。偏差初始化。（请参阅 tflearn.initializations）默认值：'zeros'。
regularizer: `str`（名称）或 `Tensor`。向此层权重添加正则化器（请参阅 tflearn.regularizers）。默认值：None。
weight_decay: `float`。正则化器衰减参数。默认值：0.001。
trainable: `bool`。如果为 True，则权重将是可训练的。
restore: `bool`。如果为 True，则加载模型时将恢复此层的权重。
reuse: `bool`。如果为 True 并且提供了“scope”，则将重用（共享）此层变量。
scope: `str`。定义此层的范围（可选）。范围可用于在层之间共享变量。请注意，范围将覆盖名称。
name: 此层的名称（可选）。默认值：'FullyConnectedHighway'。

属性

scope: `Scope`。此层的范围。
W: `Tensor`。表示单元权重的变量。
W_t: `Tensor`。表示变换门单元权重的变量。
b: `Tensor`。表示偏差的变量。
b_t: `Tensor`。表示变换门偏差的变量。

链接

https://arxiv.org/abs/1505.00387

独热编码层

tflearn.layers.core.one_hot_encoding (target, n_classes, on_value=1.0, off_value=0.0, name='OneHotEncoding')

将数字标签转换为二进制向量。

输入

标签占位符。

输出

二维张量，编码后的标签。

参数

target: `Placeholder`。标签占位符。
n_classes: `int`。类的总数。
on_value: `scalar`。定义开启值的标量。
off_value: `scalar`。定义关闭值的标量。
name: 此层的名称（可选）。默认值：'OneHotEncoding'。

时间分布层

tflearn.layers.core.time_distributed (incoming, fn, args=None, scope=None)

此层将函数应用于输入张量的每个时间步。自定义函数的第一个参数必须是每个时间步的输入张量。可以在“args”参数中指定自定义函数的其他参数（作为列表）。

示例

# Applying a fully_connected layer at every timestep
x = time_distributed(input_tensor, fully_connected, [64])

# Using a conv layer at every timestep with a scope
x = time_distributed(input_tensor, conv_2d, [64, 3], scope='tconv')

输入

(3+)-D 张量 [样本数，时间步，输入维度]。

输出

(3+)-D 张量 [样本数，时间步，输出维度]。

参数

incoming: `Tensor`。传入的张量。
fn: `function`。要在每个时间步应用的函数。此函数的第一个参数必须是每个时间步的输入张量。可以在“args”参数中指定其他参数。
args: `list`。要与提供的函数一起使用的参数列表。
scope: `str`。要赋予每个时间步张量的范围。在共享权重时很有用。每个时间步张量范围将生成为“scope”-“i”，其中 i 表示时间步 ID。请注意，您的自定义函数将需要具有“scope”参数。

返回值

张量。

多目标数据层

tflearn.layers.core.multi_target_data (name_list, shape, dtype=tf.float32)

创建并连接多个占位符。当回归层使用来自不同来源的目标时使用。

参数

name_list: 字符串列表。目标占位符的名称。
shape: 整数列表。占位符的形状。
dtype: `tf.type`，占位符数据类型（可选）。默认值：float32。