使用tensorflow实现卷积的几种操作

最新推荐文章于 2025-05-20 09:29:12 发布

CHNguoshiwushuang

最新推荐文章于 2025-05-20 09:29:12 发布

阅读量3k

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow笔记

本文链接：https://blog.youkuaiyun.com/CHNguoshiwushuang/article/details/81276400

本文总结了在TensorFlow中实现卷积操作的三种常见方法：直接定义、封装权重和使用slim库。直接定义虽然灵活但代码量大；通过封装权重可以简化代码；slim库则进一步减少代码并提供默认配置，如bias和relu激活函数。作者倾向于使用slim库，认为其更方便，但也提到未来可能转向PyTorch进行更友好的调试。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里简要总结一下tensorflow实现卷积操作的几种写法，定义方式有很多。例如使用一个9x9的卷积核将一个三通道图像转换成64通道的feature,遇到过的有以下一些：

直接定义就写

这种写法简单粗暴，一边定义卷积核、偏置和卷及操作一边写，优点是操作灵活，但是代码量太大尤其是重复单元较多的时候，一个例子如下:

weight = tf.get_variable('weight',[9,9,3,64], initializer=tf.truncated_normal_initializer(stddev=0.01))#定义权重
biases = tf.get_variable('bias',[64],initializer = tf.constant(0.01))#定义偏置
conv = tf.nn.conv2d(input,weight,stride=[1,1,1,1],padding