TensorFlow神经网络模型构建主要涉及如下几块：神经元函数、卷积函数、池化函数、分类函数、优化方法。下面分别对这几块进行展开说明：

神经元函数及优化方法

神经网络之所以能解决非线性问题（如语音、图像识别等），本质上就是激活函数加入了非线性因素，弥补了线性模型的表达力，把“激活的神经元的特征”通过函数保留并映射到下一层。

激活函数不会更改输入数据的维度(输入和输出的维度是相同的)。TensorFlow中有如下激活函数，输入均为需要计算的x(Tensor)，输出均为与x数据类型相同的张量（Tensor）。常见的激活函数有Sigmoid，Tanh，ReLU、softplus。

1、Sigmoid函数使用方法

import tensorflow as tf
data=tf.constant([[1.0,2.0],[1.0,2.0],[1.0,2.0]])
with tf.compat.v1.Session() as sess:print(sess.run(tf.sigmoid(data)))

运行结果是如下：

Sigmoid函数的优点在于它的输出映射在(0，1)内，单调连续，非常适合于用作输出层，并且求导比较容易。缺点在于其软饱和性。

软饱和性：指激活函数$h(x)$在取值趋于无穷大时，它的一阶导数趋于0。
硬饱和性：指当$|x|>c$时，其中c为常数，$f^{{}^{\prime }}(x)=0$。

一旦落入软饱和区，$f^{{}^{\prime }}(x)$就会变得接近于0，容易产生梯度消失。

梯度消失指在更新模型参数时采用链式求导法则反向求导，越往前梯度越小。

最终的结果是达到一定深度后梯度对于模型的更新就没有任何贡献。

2、ReLU函数使用方法

ReLU函数定义为$f(x)=max(x,0)$。softplus函数定义为$f(x)=log(1+exp(x))$，可以看作是ReLU函数的平滑版本。Relu和softplus函数代码示例及图形如下：

import numpy as np
import matplotlib.pyplot as plt
def relu_tugrp():x=np.arange(-100, 100, 1)softplus=np.log(1+np.exp(x))relu=np.maximum(0,x)plt.subplot(221)plt.plot(x,softplus,label='softplus')#显示图像的labelplt.legend()#创建一个子图plt.subplot(222)plt.plot(x,relu,label='relu')#显示图像的labelplt.legend()#画网格线plt.grid(True)relu_tugrp()

使用TensorFlow中的relu、reluu6、crelu、softplus函数示例如下：

import tensorflow as tf
data=tf.constant([[-1.0,2.0],[1.0,-2.0],[1.0,2.0]])
with tf.compat.v1.Session() as sess:print(sess.run(tf.nn.relu(data)))print(sess.run(tf.nn.softplus(data)))print(sess.run(tf.nn.relu6(data)))print(sess.run(tf.nn.crelu(data)))

3、dropout函数使用方法

一个神经元将以概率keep_prob决定是否被抑制。如果被抑制，则该神经元的输出为0；如果不被抑制，那么该神经元的输出值将被放大到原来的$\frac{1}{kee{p}_{p}rob}$倍。
在默认情况下，每个神经元是否被抑制是相互独立的。但是否被抑制可以通过noise_shape来调节。当noise_shape[i]==shape(x)[i]时，x中的元素是相互独立的。如果shape(x)=[k,l,m,n]，x中的维度顺序分别为批、行、列和通道；如果noise_shape(x)=[k,l,m,n]，那么每个批和通道相互独立，行与列相互关联，要么都是0，要么都是原来的值。示例代码：

import tensorflow as tf
data=tf.constant([[-1.0,2.0,3.0,4.0]])
with tf.compat.v1.Session() as sess:print(sess.run(tf.nn.dropout(data,0.5,noise_shape=[1,4])))print(sess.run(tf.nn.dropout(data,0.5,noise_shape=[1,1])))