使用tensorflow时，会发现tf.nn，tf.layers， tf.contrib模块有很多功能是重复的，尤其是卷积操作，在使用的时候，我们可以根据需要现在不同的模块。但有些时候可以一起混用。
下面是对三个模块的简述：
（1）tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。
（2）tf.layers：主要提供的高层的神经网络，主要和卷积相关的，个人感觉是对tf.nn的进一步封装，tf.nn会更底层一些。
（3）tf.contrib：tf.contrib.layers提供够将计算图中的 网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。
Batch normalization(BN):
tensorflow中提供了三种BN方法：https://blog.csdn.net/Leo_Xu06/article/details/79054326
tf.nn.batch_normalizationtf.layers.batch_normalizationtf.contrib.layers.batch_norm
以tf.layers.batch_normalization为例介绍里面所包含的主要参数：
tf.layers.batch_normalization(inputs, decay=0.999, center=True, scale=True, is_training=True, epsilon=0.001)
一般使用只要定义以下的参数即可：
-
inputs: 输入张量[N, H, W, C]
-
decay: 滑动平均的衰减系数，一般取接近1的值，这样能在验证和测试集上获得较好结果
-
center: 中心偏移量，上述的ββ ，为True，则自动添加，否则忽略
-
scale: 缩放系数，上述的γγ，为True，则自动添加，否则忽略
-
epsilon: 为防止除0而加的一个很小的数
- is_training: 是否是训练过程，为True则代表是训练过程，那么将根据decay用指数滑动平均求得moments，并累加保存到
moving_mean和moving_variance中。否则是测试过程，函数直接取这两个参数来用。
如果是True，则需在训练的session中添加将BN参数更新操作加入训练的代码：
# execute update_ops to update batch_norm weights update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) with tf.control_dependencies(update_ops): optimizer = tf.train.AdamOptimizer(decayed_learning_rate) train_op = optimizer.minimize(loss, global_step = global_step)
附官网链接：
https://www.tensorflow.org/api_docs/python/tf/nn/batch_normalization