如何匹配tensorflow（python）函数'；s参数

请参考上面的python代码

我发现类网络函数conv的原型与它的调用部分不匹配

@layer
def conv(self,
         inp,
         k_h,
         k_w,
         c_o,
         s_h,
         s_w,
         name,
         relu=True,
         padding='SAME',
         group=1,
         biased=True):

&打电话给conv

class PNet(Network):
def setup(self):
    (self.feed('data') #pylint: disable=no-value-for-parameter, no-member
         .conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
         .prelu(name='PReLU1')
         .max_pool(2, 2, 2, 2, name='pool1')
         .conv(3, 3, 16, 1, 1, padding='VALID', relu=False, name='conv2')
         .prelu(name='PReLU2')
         .conv(3, 3, 32, 1, 1, padding='VALID', relu=False, name='conv3')
         .prelu(name='PReLU3')
         .conv(1, 1, 2, 1, 1, relu=False, name='conv4-1')
         .softmax(3,name='prob1'))

    (self.feed('PReLU3') #pylint: disable=no-value-for-parameter
         .conv(1, 1, 4, 1, 1, relu=False, name='conv4-2'))

注意

自我

inp-->它来自哪里？

我知道自我是可以忽略的；inp， 库赫， 库威， 库奥， s_h， s_w， 可以通过匹配位置，例如：3,3,10,1,1 其他参数按名称指定

然而，我无法理解inp的来源？

<>与我熟悉的编程语言C+C++有很大的矛盾。

有人能帮忙解释一下吗

---

提前感谢。

Pnet是一个执行许多卷积运算的网络。您可以将图像传递到输入层，它会对其执行许多卷积。 输入层的名称为“数据”。输入层是一个接受图像的张量

data = tf.placeholder(tf.float32, (None,None,None,3), 'input')
pnet = PNet({'data':data})

考虑

out = pnet(img_y)

img_y位于Pnet的“数据”层上

它被馈送到卷积层

.conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')

.conv(3, 3, 16, 1, 1, padding='VALID', relu=False, name='conv2')

k_h

（内核高度）=3

k_w

（内核宽度）=3

c_o

（过滤器数量）=10

s_h

（步幅高度）=1

s_w

（步幅）=1

inp

是前一层即数据层（即我们的图像）的输出

应用prelu和max pool，然后将输出作为下一个卷积层的输入

.conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')

.conv(3, 3, 16, 1, 1, padding='VALID', relu=False, name='conv2')

等等

---

为了更好地理解卷积神经网络，请参考

您确实正确地注意到，尽管函数签名将输入层

inp

作为其第一个参数，但在调用函数时它不会被传递

这个技巧是通过将

@层

放置在函数定义的正前方来实现的。下面是

层

装饰器的定义：

def layer(op):
    """Decorator for composable network layers."""

    def layer_decorated(self, *args, **kwargs):
        # Automatically set a name if not provided.
        name = kwargs.setdefault('name', self.get_unique_name(op.__name__))
        # Figure out the layer inputs.
        if len(self.terminals) == 0:
            raise RuntimeError('No input variables found for layer %s.' % name)
        elif len(self.terminals) == 1:
            layer_input = self.terminals[0]
        else:
            layer_input = list(self.terminals)
        # Perform the operation and get the output.
        # [!] Here it passes the `inp` parameter, and all the other ones
        layer_output = op(self, layer_input, *args, **kwargs)
        # Add to layer LUT.
        self.layers[name] = layer_output
        # This output is now the input for the next layer.
        self.feed(layer_output)
        # Return self for chained calls.
        return self

return layer_decorated

它通过

op

参数接受一个函数/方法作为输入，并返回另一个函数/方法，

layer\u

，它将替换

op

的原始定义。所以

PNet.conv=layer（PNet.conv）

。如果查看

layer\u

的定义，您会发现它基本上设置了

op

函数的第一个参数，即

layer\u input

（与

[！]

对齐）。它还进行了一些簿记，以根据其名称知道使用哪一层作为输入

为了简化事情，这允许程序员使用链式方法调用，而无需重复它们自己。它改变了这一点：

 x = self.feed('data') #pylint: disable=no-value-for-parameter, no-member
 x = self.conv(x, 3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
 x = self.prelu(x, name='PReLU1')
 x = self.max_pool(x, 2, 2, 2, 2, name='pool1')

为此：

x = (self.feed('data') #pylint: disable=no-value-for-parameter, no-member
     .conv(3, 3, 10, 1, 1, padding='VALID', relu=False, name='conv1')
     .prelu(name='PReLU1')
     .max_pool(2, 2, 2, 2, name='pool1')
 )

---

Inp是从上一层输入的。@changjc关于stackOverflow的问题如果有一个可接受的答案，则被视为已解决。这表明其他人对这个问题都很满意，并允许他们转向无动力的问题。因此，如果把它标记为一个可接受的答案，如果它解决了你的问题（勾选绿色标记）。也可以考虑你以前的问题