img_conv_group

paddle.fluid.nets.img_conv_group ( input, conv_num_filter, pool_size, conv_padding=1, conv_filter_size=3, conv_act=None, param_attr=None, conv_with_batchnorm=False, conv_batchnorm_drop_rate=0.0, pool_stride=1, pool_type=’max’, use_cudnn=True ) [源代码]

Image Convolution Group由Convolution2d，BatchNorm，DropOut和Pool2d组成。根据输入参数，img_conv_group将使用Convolution2d，BatchNorm，DropOut对Input进行连续计算，得到最后结果。

参数：

  • input （Variable） - 输入，格式为[N，C，H，W]的4-D Tensor。数据类型：float32和float64。

  • conv_num_filter （list | tuple） - 卷积中使用的滤波器数。

  • pool_size （int | list | tuple） - 池化层中池化核的大小。如果pool_size是列表或元组，则它必须包含两个整数（pool_size_height，pool_size_width）。否则，pool_size_height = pool_size_width = pool_size。

  • conv_padding （int | list | tuple） - 卷积层中的填充 padding 的大小。如果 padding 是列表或元组，则其长度必须等于 conv_num_filter 的长度。否则，所有卷积的 conv_padding 都是相同的。默认：1。

  • conv_filter_size （int | list | tuple） - 卷积层中滤波器大小。如果filter_size是列表或元组，则其长度必须等于 conv_num_filter 的长度。否则，所有卷积的 conv_filter_size 都是相同的。默认：3。

  • conv_act （str） - 卷积层之后接的的激活层类型， BatchNorm 后面没有。默认：None。

  • param_attr (ParamAttr|None) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。conv2d算子默认的权重初始化是Xavier。

  • conv_with_batchnorm （bool | list） - 表示在卷积层之后是否使用 BatchNorm 。如果 conv_with_batchnorm 是一个列表，则其长度必须等于 conv_num_filter 的长度。否则， conv_with_batchnorm 指示是否所有卷积层后都使用 BatchNorm 。默认：False。

  • conv_batchnorm_drop_rate （float | list） - 表示 BatchNorm 之后的 Dropout Layer 的 drop_rate 。如果 conv_batchnorm_drop_rate 是一个列表，则其长度必须等于 conv_num_filter 的长度。否则，所有 Dropout Layers 的 drop_rate 都是 conv_batchnorm_drop_rate 。默认：0.0。

  • pool_stride （int | list | tuple） - 池化层的池化步长。如果 pool_stride 是列表或元组，则它必须包含两个整数（pooling_stride_height，pooling_stride_width）。否则，pooling_stride_height = pooling_stride_width = pool_stride。默认：1。

  • pool_type （str） - 池化类型可以是最大池化的 max 和平均池化的 avg 。默认：max。

  • use_cudnn （bool） - 是否使用cudnn内核，仅在安装cudnn库时才有效。默认值：True

返回： Tensor。使用Convolution2d，BatchNorm，DropOut和Pool2d进行串行计算后的最终结果。

返回类型： Variable

代码示例：

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. img = fluid.layers.data(name='img', shape=[1, 28, 28], dtype='float32')
  4. conv_pool = fluid.nets.img_conv_group(input=img,
  5.                                       conv_padding=1,
  6.                                       conv_num_filter=[3, 3],
  7.                                       conv_filter_size=3,
  8.                                       conv_act="relu",
  9.                                       pool_size=2,
  10.                                       pool_stride=2)
  11. place = fluid.CPUPlace()
  12. exe = fluid.Executor(place)
  13. exe.run(fluid.default_startup_program())
  14. np_x = np.random.random(size=(1, 1, 28, 28)).astype('float32')
  15. output = exe.run(feed={"img": np_x}, fetch_list = [conv_pool])
  16. print(output)