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¶
import paddle.fluid as fluid
import paddle
paddle.enable_static()
img = fluid.data(name='img', shape=[None, 1, 28, 28], dtype='float32')
conv_pool = fluid.nets.img_conv_group(input=img,
conv_padding=1,
conv_num_filter=[3, 3],
conv_filter_size=3,
conv_act="relu",
pool_size=2,
pool_stride=2)