1.调用tf.nn.conv2d()实现卷积

首先是调用卷积函数实现卷积操作：
这里说明一下conv2d的定义及参数含义：参考
【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

2.TensorFlow tf.nn.max_pool实现池化操作方式

max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似

tf.nn.max_pool(value, ksize, strides, padding, name=None)

参数是四个，和卷积很类似：

第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape

第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]

第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'

返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式

import tensorflow as tf
import numpy as np
input = np.array([[12,21,1,1],[11,10,10,2],[1,10,10,23],[45,31,11,32]],dtype='float32')
input = input.reshape([1,4,4,1]) #因为conv2d的参数都是四维的，因此要reshape成四维
kernel = np.array([[2,-1],[-1,0]])
kernel = kernel.reshape([2,2,1,1]) #kernel也要reshape
print(input.shape,kernel.shape) #(1, 4, 4, 1) (2, 2, 1, 1)x = tf.placeholder(tf.float32,[1,4,4,1])
k = tf.placeholder(tf.float32,[2,2,1,1])
conv_result = tf.nn.conv2d(x,k,strides=[1,1,1,1],padding='SAME')
max_pooling=tf.nn.max_pool(input,[1,2,2,1],[1,1,1,1],padding='VALID')
ave_polling = tf.nn.avg_pool(input,[1,2,2,1],[1,1,1,1],padding='VALID')with tf.Session() as sess:y = sess.run(conv_result,feed_dict={x:input,k:kernel})max_polling=sess.run(max_pooling)ave_polling=sess.run(ave_polling)y=y.reshape([4,4])max_polling = max_polling.reshape([3,3])ave_polling = ave_polling.reshape([3,3])print(y.shape) #(1,3,3,1)print(max_polling.shape)print(ave_polling.shape)print(y) #因为y有四维，输出太长了，我就只写一下中间两维的结果（3*3部分）：[[4,3,4],[2,4,3],[2,3,4]]print(max_polling)print(ave_polling)

reference：https://blog.csdn.net/aaon22357/article/details/85283502

https://www.jb51.net/article/177799.htm

TensorFlow实现卷积、池化操作相关推荐

卷积池化操作输出的尺寸大小
代码演示 # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np """ Created o ...
tensorflow之卷积池化和全连接
卷积: 当从一个大尺寸图像中随机选取一小块,比如说 8x8 作为样本,并且从这个小块样本中学习到了一些特征,这时我们可以把从这个 8x8 样本中学习到的特征作为探测器,应用到这个图像的任意地方中去.特 ...
【数据挖掘】卷积神经网络 ( 池化 | 丢弃 | 批量规范化 | 卷积神经网络完整流程示例 | 卷积 | 池化 | 全连接 | 输出 | 卷积神经网络总结 )
文章目录 I . 池化 II . 丢弃操作 III . 批量规范化 IV . 卷积神经网络完整流程示例 ( 1 ) : 原始输入图 V . 卷积神经网络完整流程示例 ( 2 ) : 卷积层 C1C ...
卷积神经网络中的各种池化操作
参考:https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维 ...
【Pytorch神经网络理论篇】 13 深层卷积神经网络介绍+池化操作+深层卷积神经网络实战
1 深层卷积神经网络概述 1.1 深层卷积神经网络模型结构图 1.1.1 深层卷积神经网络的正向结构构成剖析输入层,将每个像素作为一个特征节点输入网络. 卷积层:由多个滤波器组合而成. 池化层:将卷 ...
【综述】盘点卷积神经网络中的池化操作
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达池化操作(Pooling)是CNN中非常常见的一种操作,池化操作通 ...
双线性池化_卷积神经网络中的各种池化操作
池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维,池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling),在构建 ...
卷积神经网络系列之卷积/池化后特征图大小怎么计算？？
1.卷积后的大小: W:矩阵宽,H:矩阵高,F:卷积核宽和高,P:padding(需要填充的0的个数),N:卷积核的个数,S:步长 width:卷积后输出矩阵的宽,height:卷积后输出矩阵的高 w ...
卷积池化与LeNet5网络模型
1 前言经过前面三篇文章的介绍,我们已经知道了卷积的原理.卷积的计算过程以及池化的原理和过程等.在接下来的这篇文章中,笔者将开始介绍如何通过Pytorch这一深度学习框架来实现卷积和池化的操作,以及 ...

TensorFlow实现卷积、池化操作

1.调用tf.nn.conv2d()实现卷积

2.TensorFlow tf.nn.max_pool实现池化操作方式

TensorFlow实现卷积、池化操作相关推荐

最新文章

热门文章