超强干货！TensorFlow易用代码大集合，请尽情复制粘贴

林鳞 编辑整理 量子位 出品 | 公众号 QbitAI

昨天，网友taki0112在Reddit论坛发布了一份简单易用Tensorflow代码集合，不到一天之内引发高赞。

作者在介绍中说，这份易用代码合集中都是已经整理好的小段代码，整理了层、块、标准化和激活、池化与调整大小、损失、图像预处理6大方向具体不同任务的简易代码。

作者介绍说，这份资料整体内容包含了GAN体系结构相关的基本内容，大家也不用客气，复制+粘贴使用即可。如此易获取，可让网友乐开了花。

在这份速查资料的6大发现中，共包含20个子知识点，量子位将这20个知识点整理介绍给大家，文章结尾附上了对应代码地址。

层

初始化和正则化：

初始化即为给神经网络设置最初的值。在这份资料中，总共包含了五种初始化方法，分别为：Xavier初始化法、He初始化法、高斯分布、截断正态分布、正交初始化。

正则化方法是指向原始模型引入额外信息，防止过拟合和提高模型泛化性能的方法，则包含L2正则化与正交正则化两种。

卷积：通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠部分的面积。设:f(x),g(x)是R1上的两个可积函数，作积分：

部分卷积：与上述卷积过程相似，只不过是对局部进行卷积。

空洞卷积：在论文Multi-scale context aggregation with dilated convolutions中由Fisher Yu等人首次提出， 不通过池化也能获得交大的感受野获取到更多信息。

逆卷积：是相对于卷积在神经网络结构的正向和反向传播中做相反的运算。

像素洗牌：一种学习单一图像超分辨模型的简单技术，模型可实现HD视频超分辨率的实时播放。

全卷积：因为模型网络中所有的层都是卷积层，故称为全卷积网络。

块

残差块：神经网络层次越深就容易出现梯度消息和梯度爆炸问题，论文Deep Residual Learning for Image Recognition中提出的残差网络就解决了这个问题。残差网络通过加入跳远连接变得易于优化，包含跳远连接的基层网络就是一个残差块。

注意块：一种用于前馈卷积神经网络的简单而有效的注意模块。

注意块中共分介绍了四种方法，包括自注意、池化后的自注意、squeeze_excitation和卷积注意模块（CBAM）。

标准化和激活

标准化：将数据按比例缩放，使之落入一个小的特定区间。标准化的方法分为很多种，在这份合集中也分类进行了整理。

有对一个batch进行规整防止同一个batch间的的梯度相互抵消的batch_norm：

有自一个样本内标准化的instance_norm：

此外，layer_norm、group_norm、adaptive_instance_norm、pixel_norm、spectral_norm等都包含在内。

激活函数：是指神经网络中一个节点在给定的输入或输入的集合下的输出。

激活函数也也分为多种，如ReLU函数、TanHyperbolic函数、sigmoid函数和swish激活函数等。

池化和调整大小

池化（Pooling）是卷积神经网络中的一个重要的概念，它实际上是一种形式的降采样，有多种不同形式的非线性池化函数，其中“最大池化（Max pooling）”是最为常见的。

速查中共包括上采样池化、全局平均池化、全局最大池化、最大池化、平均池化等常见的方法。

损失

损失：用来定义在单个训练样本上的，也就是就算一个样本的误差。

GAN损失：根据GAN的基本架构，也分为是生成损失和辨别损失。

KL散度：也成为相对熵，用来度量使用基于Q的编码来编码来自P的样本平均所需的额外的位元数。

图像预处理

在图像预处理部分中，作者根据几种常见的图像预处理操作，给出了速查代码。这些操作包括：图像加载、图像增强、图像存储和使用Tensorflow DatasetAPI将数据放入网络。

传送门

查看完整版代码，可移步这份代码集合的网站： https://www.notion.so/Simple-Tensorflow-Cookbook-6f4563d0cd7343cb9d1e60cd1698b54d

GitHib地址： https://github.com/taki0112/Tensorflow-Cookbook

作者系网易新闻·网易号“各有态度”签约作者