池化層定義在tensorflow/python/layers/pooling.py.

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: 進行池化的數據。 pool_size: 池化的核大小(pool_height, pool_width)，如[3，3]. 如果長寬相等，也可以直接設置為一個數，如pool_size=3. strides: 池化的滑動步長。可以設置為[1,1]這樣的兩個整數. 也可以直接設置為一個數，如strides=2 padding: 邊緣填充，'same' 和'valid‘選其一。默認為valid data_format: 輸入數據格式，默認為channels_last ，即 (batch, height, width, channels),也可以設置為channels_first 對應 (batch, channels, height, width). name: 層的名字。

例：

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

一般是放在卷積層之后，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)

參數和前面的最大值池化一樣。

全連接dense層定義在 tensorflow/python/layers/core.py.

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: 輸入數據，2維tensor. units: 該層的神經單元結點數。 activation: 激活函數. use_bias: Boolean型，是否使用偏置項. kernel_initializer: 卷積核的初始化器. bias_initializer: 偏置項的初始化器，默認初始化為0. kernel_regularizer: 卷積核化的正則化，可選. bias_regularizer: 偏置項的正則化，可選. activity_regularizer: 輸出的正則化函數. trainable: Boolean型，表明該層的參數是否參與訓練。如果為真則變量加入到圖集合中 GraphKeys.TRAINABLE_VARIABLES (see tf.Variable). name: 層的名字. reuse: Boolean型, 是否重復使用參數.

全連接層執行操作 outputs = activation(inputs.kernel + bias)

如果執行結果不想進行激活操作，則設置activation=None。

例：

#全連接層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)

也可以對全連接層的參數進行正則化約束：

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