tensorflow 卷积：设定特定卷积核

镜像问题：pytorch 自定义卷积核进行卷积--卷积核订制

有时想用tensorflow的conv2d的卷积操作，实现一些特定的滤波操作，如patch求和、计算梯度等，这时可以通过设计特定的卷积核来实现功能。

先看tf.nn.conv2d的各个参数：

tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
参数：
    input : tf张量，shape=[N,H,W,C] ,dtype=tf.float32(最好)
    filter： 卷积核，tf张量，dtype=tf.float32(与input保持一致),
            shape=[filter_height,filter_weight,input_channel=C,output_channels ]，
            其中 filter_height 为卷积核高度，
                 filter_weight 为卷积核宽度，
                 in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，
                 out_channel 是卷积核的个数，代表输出的feature_map的通道数。
    strides： 卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，
              第一位和最后一位固定必须是1，最后一个维度步长必须是1，是因为卷积是逐个通道进行的。
    padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。
             "SAME"是考虑边界，不足的时候用0去填充周围，
             "VALID"则不考虑
    use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true
 

主要需要注意的是：input,filter,strides的shape及各维度的含义。尤其filter各维度的含义与input是不同的。stride是4个维度。

示例：

"""
脚本功能：将256*256的图像不重叠的划分为64*64的patch,计算每个patch中的像素值之和
实现：设计64*64的全1卷积核，以stride=64移动，不添加0 padding
"""
feature_map = tf.ones([1,256,256,1],dtype=tf.float32)
filter = tf.ones((64,64,1,1),dtype=tf.float32)
padding = "VALID"
result = tf.nn.conv2d(feature_map, filter, strides=(1,64,64,1), padding=padding)
print(result.shape)

with tf.Session() as sess:
    print(sess.run(result))

返回结果：

(1, 4, 4, 1)

[[[[4096.]
   [4096.]
   [4096.]
   [4096.]]

  [[4096.]
   [4096.]
   [4096.]
   [4096.]]

  [[4096.]
   [4096.]
   [4096.]
   [4096.]]

  [[4096.]
   [4096.]
   [4096.]
   [4096.]]]]