TensorFlow卷积神经网络 tf.nn.conv2d方法及图像化

TensorFlow卷积神经网络

 

一、方法定义

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

 

参数：

**input : ** 输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。（也可以用其它值，但是具体含义不是很理解）

filter： 卷积核，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_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 是卷积核数量。

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

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

---------------------

• 个人理解

以上内容在网上会搜到很多，下面详细介绍，输入的几个重要参数input, filter, strides，对于不同的参数得到的张量不同。

举例：

1. 要卷积的图片input：[1,m,m,n] 1表示数量，m*m为图像大小,n为图片通道数
2. 卷积核filter：[2,2,n,a] 2*2为卷积核大小，n为图片通道数，a为卷积核个数，n个通道输入，生成a个feature map
3. 步长strides：[1,x,x,1]各个维度移动的步长，根据实际修改数值

若tf.nn.conv2d输入以上三个参数并且padding=”SAME”，则结果为[1,m/x,m/x,a] :1为数据数量

 

下面来看看lena图像进行卷积前后的结果显示 也是sobel算法

import matplotlib.pyplot as plt  # plt 用于显示图片
import matplotlib.image as mp  # mp 用于读取图片
import