TensorFlow 实现自定义 Layer 并集成至计算图

陆遥

发布时间：2026-10-13 | 6人浏览过

原创

本文介绍如何在 TensorFlow 中实现自定义 Layer 并将其整合进多层计算图。通过定义滑动窗口平均操作及后续线性变换与激活函数，展示从占位符定义、卷积层构建到自定义逻辑层添加的完整流程，最终执行计算图获取结果。

TensorFlow 自定义 Layer 实现与集成

目的

旨在将用户自定义的 Layer 与 TensorFlow 内置 Layer 相结合，构建包含多层结构的计算图。

实现功能

该流程对二维图像数据执行滑动窗口平均处理，并通过自定义的操作 Layer 输出最终结果。


import tensorflow as tf
import numpy as np
sess = tf.Session()

#将size设为[1, 4, 4, 1]是因为tf中图像函数是处理四维图片的。
#这四维依次是： 图片数量，高度， 宽度， 颜色通道
x_shape = [1,4,4,1]
x_val = np.random.uniform(size = x_shape)


#tf.nn.conv2d中name表明该layer命名为“Moving_Avg_Window”
#该卷积核为[[0.25,0.25],[0.25,0.25]],所以是一个求平均操作
x_data = tf.placeholder(tf.float32, shape = x_shape)
my_filter = tf.constant(0.25, shape = [2,2,1,1])
my_strides = [1,2,2,1]
mov_avg_layer = tf.nn.conv2d(x_data, my_filter, my_strides, padding = 'SAME', name = 'Moving_Avg_Window')


#自定义layer，对卷积操作之后的输出做操作
def custom_layer(input_matrix):
  input_matrix_sqeeze = tf.squeeze(input_matrix)
  A = tf.constant([1.,2.],[-1.,3.])
  b = tf.constant(1., shape = [2,2])
  temp1 = tf.matmul(A, input_matrix_sqeeze)
  temp2 = tf.add(temp1, b)
  return(tf.sigmod(temp2))
#把刚刚自定义的layer加入到计算图中，并给予自定义的命名(利用tf.name_scope())
with tf.name_scope('Custom_Layer') as scope:
  custom_layer1 = custom_layer(mov_avg_layer)


#为占位符传入4*4图片，并执行计算图
print(sess.run(custom_layer, feed_dict= {x_data: x_val}))

以上关于 TensorFlow 实现自定义 Layer 并添加到计算图的教程到此结束，希望能为读者提供有价值的参考，欢迎持续关注与支持。