tensorflow基础tf.nn.conv2d

 

 

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

除去name和use_cudnn_on_gpu，与方法有关的一共四个参数：

• 第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]

比方我们这么写意味着：输入值为数量为10的28x28x1像素的有一个图像通道的图片

input_data = tf.Variable(tf.random_uniform([10, 28, 28, 1]))

第二个参数filter：是CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，有一个地方需要注意，卷积核的通道数要核输入图像的通道数一致

W_con = tf.Variable(tf.random_uniform([5, 5, 1, 32]))

卷积核尺寸5x5，一维，卷积核个数32个

第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4，strides在官方定义中是一个一维具有四个元素的张量，其规定前后必须为1，所以我们可以改的是中间两个数，中间两个数分别代表了水平滑动和垂直滑动步长值。

第四个参数padding：只能写"SAME","VALID"其中之一，写SAME的话在做滑动遇到元素不足时允许补全，VALID遇到此情况则多余会被抛弃

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

卷积计算公式

输入图片大小 W×W
Filter大小 F×F
步长 S
padding的像素数 P
于是我们可以得出

N = (W − F + 2P )/S+1

输出图片大小为 N×N