TensorFlow之卷积函数（conv2d、depthwise_conv2d、separable_conv2d）

最新推荐文章于 2025-09-09 19:32:44 发布

原创

最新推荐文章于 2025-09-09 19:32:44 发布 · 4.9k 阅读

3 ·

CC 4.0 BY-SA版权

本文详述了TensorFlow中的卷积函数，包括tf.nn.conv2d的基本使用，如输入参数、卷积核、步长和填充方式，强调了卷积在卷积神经网络中的核心地位。

卷积函数是卷积神经网络（CNN）非常核心和重要的函数，在搭建CNN时经常会用到，因此较为详细和深入的理解卷积函数具有十分重要的意义。

1、tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)：在给定4维的输入和过滤器的张量时，计算一个2维卷积。

参数详解：

input：输入的参数或者说是图像tenors,input=[batch,in_height,in_width,in_channels],batch为图像数量，in_height和in_width分别为图像的长和宽，in_channels为图像的颜色通道（彩色为3，黑白为1）。一般我们在定义图像信息时，x都是1维的，比如x= tf.placeholder(tf.float32,[None,784]),None表示不限制输入数量，784表示一个784维的向量；在x传入conv2d之前需要对x进行变形，即将x变为input的形式，比如说x_image=tf.reshape(x,[-1,28,28,1]),其中-1代表样本数不确定，经过变形后x_image就可以被conv2d函数使用了。

filter：卷积核（滤波器），filter应该输入的是卷积的参数，filter=[filter_height, filter_width, in_channels, out_channels],其中filter_height和filter_width表示卷积核的尺寸，这里的in_channels与input中