如何在卷积神经网络文本分类TensorFlow示例中添加更多层？

根据文件，中提供的模型类似于以下文件： “”

我发现原始模型（本文中给出）包含9层，其中6层为卷积层，3层为完全连接层，但实现的示例仅包含两层卷积层：

with tf.variable_scope('CNN_Layer1'):
    # Apply Convolution filtering on input sequence.
    conv1 = tf.contrib.layers.convolution2d(
                 byte_list, N_FILTERS, FILTER_SHAPE1, padding='VALID')
    # Add a RELU for non linearity.
    conv1 = tf.nn.relu(conv1)
    # Max pooling across output of Convolution+Relu.
    pool1 = tf.nn.max_pool(
            conv1,
            ksize=[1, POOLING_WINDOW, 1, 1],
            strides=[1, POOLING_STRIDE, 1, 1],
            padding='SAME')
    # Transpose matrix so that n_filters from convolution becomes width.
    pool1 = tf.transpose(pool1, [0, 1, 3, 2])
with tf.variable_scope('CNN_Layer2'):
    # Second level of convolution filtering.
    conv2 = tf.contrib.layers.convolution2d(
                 pool1, N_FILTERS, FILTER_SHAPE2, padding='VALID')
    # Max across each filter to get useful features for classification.
    pool2 = tf.squeeze(tf.reduce_max(conv2, 1), squeeze_dims=[1])

如果有人能帮我把这个模型扩展到更多层

与BVLC Caffenet类似：

def bvlc_caffenet（IMG、重量、偏差）： #平均减法 平均值=tf.常数（[123.68116.779103.939]，数据类型=tf.float32，形状=[1,1,1,3]，name='img_-mean'） 图像=imgs平均值

#conv1 conv1=tf.nn.conv2d（图像，权重['c1']，[1,3,3,1]，padding='VALID'） out1=tf.nn.relu（tf.nn.bias_add（conv1，bias['b1']）） pool1=tf.nn.max_pool（out1，ksize=[1,3,3,1]，步长=[1,2,2,1]，padding='VALID'）

#conv2 conv2=tf.nn.conv2d（pool1，weights['c2']，[1,1,1,1]，padding='VALID'） out2=tf.nn.relu（tf.nn.bias_add（conv2，bias['b2']）） pool2=tf.nn.max_pool（out2，ksize=[1,3,3,1]，步长=[1,2,2,1]，padding='VALID'）

#conv3 conv3=tf.nn.conv2d（pool2，权重['c3']，[1,1,1,1]，padding='VALID'） out3=tf.nn.relu（tf.nn.bias_add（conv3，bias['b3']））

#conv4 conv4=tf.nn.conv2d（out3，权重['c4']，[1,1,1,1]，padding='VALID'） out4=tf.nn.relu（tf.nn.bias_add（conv4，bias['b4']））

#说服 conv5=tf.nn.conv2d（out4，权重['c5']，[1,1,1,1]，padding='VALID'） out5=tf.nn.relu（tf.nn.bias_add（conv5，bias['b5']）） pool5=tf.nn.max_pool（out5，ksize=[1,3,3,1]，步长=[1,2,2,1]，padding='VALID'）

#压扁 shape=int（np.prod（pool5.get_shape（）[1:]）） 池5_flat=tf.重塑（池5，[-1，形状]）

#fc6 fc6=tf.matmul（池5_扁平，重量['f6']） out6=tf.nn.relu（tf.nn.bias_add（fc6，bias['b6']）） out6=tf.nn.辍学（out6,0.5）

#fc7 fc7=tf.matmul（out6，权重['f7']） out7=tf.nn.relu（tf.nn.bias_add（fc7，bias['b7']）） out7=tf.nn.辍学率（out7,0.5）

#fc8 fc8=tf.matmul（out7，权重['f8']） out8=tf.nn.relu（tf.nn.bias_add（fc8，bias['b8']）） out8=tf.nn.辍学（out8,0.5）

probs=tf.nn.softmax（out8） 返回问题

网络的初始化权重和偏差 权重={ “c1”：tf.变量（tf.截断_normal（[7,7,3,96]，stddev=0.1））， “c2”：tf.变量（tf.截断_normal（[5,5,96256]，stddev=0.1））， “c3”：tf.变量（tf.截断_normal（[3,3256384]，stddev=0.1））， “c4”：tf.变量（tf.截断_normal（[3,3384384]，stddev=0.1））， “c5”：tf.变量（tf.截断的_normal（[3,3384256]，stddev=0.1））， “f6”：tf.变量（tf.截断_normal（[40962048]，stddev=0.1））， “f7”：tf.变量（tf.截断_normal（[20482048]，stddev=0.1））， “f8”：tf.变量（tf.截断的_normal（[20481000]，stddev=0.1）） } 偏差={ 'b1'：tf.变量（tf.常量（0.1，形状=[96]）， “b2”：tf.Variable（tf.constant（0.1，shape=[256]）， “b3”：tf.变量（tf.常量（0.1，shape=[384]）， “b4”：tf.变量（tf.常量（0.1，shape=[384]）， “b5”：tf.Variable（tf.constant（0.1，shape=[256]）， “b6”：tf.Variable（tf.constant（0.1，shape=[2048]）， “b7”：tf.Variable（tf.constant（0.1，shape=[2048]）， “b8”：tf.Variable（tf.constant（0.1，shape=[1000]）） }

或

遵循以下（另一种格式）：

这些有用吗