将 TensorFlow 操作作为用户定义的函数链接在一起

Question

我想知道是否有一种简单的方法来定义用户定义的张量流操作，如果它只包含链式的张量流操作。这只是为了使代码不显得过长，尤其是在必须对类似对象执行相同操作的情况下：

例如，如果我想在具有 2 个隐藏层的神经网络上定义一个前馈机制，我需要这样做：

layer1_output = tf.nn.relu(tf.nn.matmul(input,weights1) + biases1)
layer2_output = tf.nn.relu(tf.nn.matmul(layer1_output,weights2) + biases2)
layer3_output = tf.nn.softmax(tf.nn.matmul(layer2_output,weights3) + biases2)

但是，这

通常也需要为验证和测试集完成，因此我想定义一个函数，该函数可以让我一次性完成所有操作，以便我可以得到这样的东西：

train_output = feed_forward(input_train)
test_output = feed_forward(input_test)...

这似乎很简单，但我似乎找不到文档。

Answer 1

执行此操作的标准方法只是定义一个构建网络的 Python 函数：

def feed_forward(input_data):
    layer1_output = tf.nn.relu(tf.nn.matmul(input_data, weights1) + biases1)
    layer2_output = tf.nn.relu(tf.nn.matmul(layer1_output, weights2) + biases2)
    layer3_output = tf.nn.softmax(tf.nn.matmul(layer2_output, weights3) + biases2)
    return layer3_output

根据定义weights和biases变量的方式，可以将它们作为参数传递给函数，或者使用 tf.get_variable() 来处理函数的不同调用之间的变量构造和共享。