tensorflow代码知识

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

    input的shape应为(n_batch,height,width,n_channels)，filter的shape应为(height,width,n_channels,n_filter)

    注意：input与filter的通道数应该相同。

    在使用tf.Variable定义变量时，input = tf.Variable(tf.random_normal([1,3,3,5]))表示1张3x3的5通道图像矩阵

    filter = tf.Variable(tf.random_normal([1,1,5,1]))可以与之进行卷积。

     Q：filter.shape是(1,1,5,1)通道为1，为何能进行卷积？

    猜想：tf.nn.con2d在将filter传入参数时，作为filter的矩阵shape含义就不再是(n_batch,height,width,n_channels)

    注意上图中kernel的括号，其实是2个2行1列2通道的矩阵，猜想：3维矩阵乘法需要如此设置shape。即filter的第三维(列数)应该与input的第四维(通道           数) 相等

    结论：矩阵作为输入图像与作为卷积核时其shape的四个维度的解释是不同的，同一组数字，两种解释。