在TensorFlow中封装好了一个高级库，tf.contrib.layers库封装了很多的函数，使用这个高级库来开发将会提高效率，卷积函数使用tf.contrib.layers.conv2d，池化函数使用tf.contrib.layers.max_pool2d和tf.contrib.layers.avg_pool2d，全连接函数使用 tf.contrib.layers.fully_connected，下面来看里面封装好的函数接口：
以最复杂的卷积为例，其他的几个函数与之类似：
layers.conv2d(inputs,
num_outputs,
kernel_size,
stride,
padding=‘SAME‘,
data_format=None,
rate=1,
activation_fn=tf.nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializers(),
weights_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None)
常用的参数说明：
inputs：输入的数据
num_outputs：设置输出的channel数量。这里不用在设置输入的channel的数量了，该函数会自动根据shape来判断。
kernel_size：卷积核大小，不需要带上batch和channel，只需要输入尺寸即可，[ 5, 5 ]就代表5x5大小的卷积核，如果长宽都一样，可以直接写一个5就行了。
stride：步长，默认的长宽都是相等的步长，卷积时一般都用1，默认的值也是1，如果长宽都不同，也可以用一个数组[ 1,2 ]来表示。
padding：设置填充的规则。
activation_fn：输出后的激活函数。
weights_initializer：权重的初始化方式，默认使用的是 initializers.xavier_initializers()，能够使得所有层的梯度保持大体相同，biases_initializer同理。
weights_regularizer：正则化项，可以加入正则函数。
trainable：是否可训练，如作为训练节点，必须设置为True。
下面我们使用layers构建一个网络模型：
import tensorflow.contrib.layers as layers x = tf.placeholder(dtype=tf.float32, shape=[None, 32, 32, 3]) y = tf.placeholder(dtype=tf.float32, shape=[None, 10]) x_images = tf.reshape(x, [-1, 32, 32, 3]) h_conv1 = layers.conv2d(x_images, 64, 3, 1, activation_fn=tf.nn.relu) h_pool1 = layers.max_pool2d(h_conv1, [2, 2], stride=2, padding=‘SAME‘) h_conv2 = layers.conv2d(h_pool1, 64, 3, 1, activation_fn=tf.nn.relu) h_pool2 = layers.max_pool2d(h_conv2, [2, 2], stride=2, padding=‘SAME‘) h_conv3 = layers.conv2d(h_pool2, 32, 3, 1, activation_fn=tf.nn.relu) h_pool3 = layers.max_pool2d(h_conv3, [2, 2], stride=2, padding=‘SAME‘) h_conv4 = layers.conv2d(h_pool3, 16, 3, 1, activation_fn=tf.nn.relu) h_pool4 = layers.max_pool2d(h_conv4, [2, 2], stride=2, padding=‘SAME‘) h_conv5 = layers.conv2d(h_pool4, 10, 3, 1, activation_fn=tf.nn.relu) y_pool = tf.reshape(h_conv5, shape=[-1, 40]) y_pool = layers.fully_connected(y_pool, 10, activation_fn=None) cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=y_pool)) optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
使用layers是不是极大的简化了网络默写的代码，提升了我们的代码效率。