tf.nn.conv2d(x, W, strides=[1, 2, 2, 1], padding='SAME')参数的理解

LoveWeeknd

于 2018-12-13 20:41:13 发布

阅读量4.6k

点赞数 3

分类专栏： Tensorflow

本文链接：https://blog.youkuaiyun.com/oMoDao1/article/details/84994437

版权

24 篇文章

订阅专栏

本文详细解析了卷积神经网络中关键参数的意义，包括卷积核尺寸、输入通道数、输出通道数（卷积核数量）、步长和填充方式。通过具体代码示例，帮助读者理解这些参数如何影响卷积层的计算过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

例子：

W = tf.truncated_normal([5, 5, 1, 32], stddev=0.1)
tf.nn.conv2d(x, W, strides=[1, 2, 2, 1], padding='SAME')

1、shape= [5,5,1,32]

前面两个5,表示卷积核的长宽分别为5

1表示输入图像对应的通道数，比如输入的图像是单通道的则设置为1，如果是RGB三通道的，则设置为3

32表示卷积核的个数，对应输出32张图

2、strides=[1, 2, 2, 1]

四个元素规定前后必须为1，中间两个数表示水平滑动和垂直滑动步长值

3、padding='SAME'

SAME表示在扫描的时候，如果遇到卷积核比剩下的元素要大时，这个时候需要补0进行最后一次的行扫描或者列扫描