tf.nn的conv2d卷积与max

tf.nn.conv2d(value,filter,strides,[...])

对于图片来说

value : 形状通常是np.array()类型的4维数组也称tensor(张量), (batch,height,width,channels) 可以理解为（图片样本的个数，高，宽，图片的颜色通道数）

value是待卷积的数据

filter：卷积核 -4元素元组【height,width,in_channels,out_channels】,前面的3个参数和value的后面3个参数一一对应。但是out_channels不太确定，卷积核的个数，

　　　　如果对一个shape 为[64,40,120,32]的数据进行卷积 filter=【3，3，32，64】,padding='same',strides=[1, 1, 1, 1] ,shape就变为了[64,40,120,64].

　　　　[3,3,32]与[40,120,32]进行对应，32=32，则相当于【3，3】对【40，120】，卷积时以【3*3】的扫描面积在【40，120】上进行扫描，每扫描一次，在结果集上产生一个【1，1】的数据单位

起始位置为【40，120】上面的最前面【3，3】的部分，

移动步调大小为【1，1，1，1】，即上下左右每次移动都只能移动1个单位，每次只能向一个方向移动，

same表示结束位置为卷积核与源数据重叠，只需移动一个单位则不再重叠。

　　　　所以，对于【40，120，32】经过【3，3，32】的扫描后变成【40，120，1】，64表示经过了64次这样的扫描，于成了【40，120，64】

padding: 扫描时对边角面积的处理模式。SAME表示扫描的的时候，对于源矩阵中不足卷积核大小的面积仍进行扫描，直到卷积核的左边缘与源矩阵右边缘不相交为止。卷积核与源矩阵没有任何重叠部分的扫描不在结果集上产生数据单位。 VALID 表示，扫描时，对于源矩阵中不足卷积核大小的面积舍弃，不再扫描。

tf.nn.max_pool(value,ksize,strides)池化与卷积的过程原理基本一样，

ksize池化窗【batch,height,width,channels】,
只是卷积改变的是height,width,channels,池化通常改变的是height,width 。
conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') #[64,20,60,32]

对于[64,20,60,32] 的矩阵进行池化，卷积核【2，2】，步长【2，2】表示卷积核的面积为2*2，每次扫描时移动的步调大小是2个单位，如果对于一个4*4的矩阵，进行这个种扫描，

扫描四次（2*2）即可扫描完成。如果是5*5的矩阵，不足卷积核的模式为same，则需扫描9次(3*3)，valid模式4次（2*2）。

所以，【64，20，60，32】的矩阵池化后shape则变为【64，10，30，32】。

转载于:https://www.cnblogs.com/Ting-light/p/9255216.html

tf.nn的conv2d卷积与max_pool池化相关推荐

（pytorch-深度学习系列）pytorch卷积层与池化层输出的尺寸的计算公式详解
pytorch卷积层与池化层输出的尺寸的计算公式详解要设计卷积神经网络的结构,必须匹配层与层之间的输入与输出的尺寸,这就需要较好的计算输出尺寸先列出公式: 卷积后,池化后尺寸计算公式: (图像尺寸 ...
深入学习卷积神经网络中卷积层和池化层的意义（转）
为什么要使用卷积呢? 在传统的神经网络中,比如多层感知机(MLP),其输入通常是一个特征向量:需要人工设计特征,然后将这些特征计算的值组成特征向量,在过去几十年的经验来看,人工找到的特征并不是怎么好用 ...
pytorch 入门：GPU加速，卷积层，池化层
GPU 加速深度学习设计很多向量和多矩阵运算,比如BP , CNN 等深层模型都可以写成矩阵运算的格式,不用写成循环运算.但是CPU 上矩阵的运算会被展成循环的形式,CPU 是串行执行的.而GPU ...
狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层
狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层在这篇文章中您将会从数学和算法两个角度去重新温习一下卷积层,激活函数,池化层,Dropout层,BN层,全链接 ...
深入学习卷积神经网络中卷积层和池化层的意义
为什么要使用卷积呢? 在传统的神经网络中,比如多层感知机(MLP),其输入通常是一个特征向量:需要人工设计特征,然后将这些特征计算的值组成特征向量,在过去几十年的经验来看,人工找到的特征并不是怎么好用 ...
深度学习入门 (九)：卷积层和池化层的实现
目录卷积神经网络 CNN 整体结构卷积层全连接层存在的问题卷积运算乘积累加运算偏置填充 (padding) 步幅 (stride) 小结:卷积层的输出特征图的大小 3 维数据的卷积运算 ...
卷积层，池化层，padding=‘same‘ ，为什么卷积层图像尺寸不变，池化层后图像尺寸减半呢？
先摆一下通用计算公式: h:图像长度,k:卷积/池化核尺寸,p:填充数,s:移动步长长度公式: 宽度公式: 对于经过卷积,池化后的图像尺寸都可以按照此公式进行计算. 在实际的使用过程中经常会有此疑惑 ...
理解CNN卷积层与池化层计算
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达概述深度学习中CNN网络是核心,对CNN网络来说卷积层与池化层的 ...
卷积神经网络的整体结构、卷积层、池化、python实现
卷积神经网络的整体结构.卷积层.池化.python实现一.整体结构二.卷积层三.池化层四.python实现卷积层.池化层一.整体结构神经网络相邻层所有神经元之间都有连接,称为全连接.前面用 ...
卷积层和池化层的计算公式的区别
n为图像宽/高 f为卷积核宽/高 p为填充长度 stride为步长卷积层后输出图像的大小:(n-f+2p)/stride 向下取整池化层后输出图像的大小:(n-f+2p)/stride 向上取整 ...

tf.nn的conv2d卷积与max_pool池化

tf.nn的conv2d卷积与max_pool池化相关推荐

最新文章

热门文章