tensorflow之conv2d

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

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]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一，其中图像通道数：比如rgb24图像，通道数为3

第二个参数filter：相当于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]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

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

第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）

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

结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
---------------------
举个例子：

input = tf.Variable(tf.random_normal([1,10,10,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding ='VALID')
print(op)

输出：

strides参数因为只有两维，通常strides取[1，stride，stride，1]

修改为2试一下效果

input = tf.Variable(tf.random_normal([1,10,10,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))op = tf.nn.conv2d(input,filter,strides=[1,2,1,1],padding ='VALID')
print(op)

输出：

*****************************上一个完整的卷积池化的例子**********************

import tensorflow as tf
import os
import numpy as np
import sys
import io
import cv2 as cvos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
input = tf.Variable(tf.random_normal([1,28,28,1]))
filter = tf.Variable(tf.random_normal([5,5,1,32]))
filter2 = tf.Variable(tf.random_normal([5,5,32,64]))
op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding ='SAME')
print(op)
op = tf.nn.max_pool(op,ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],padding ='SAME')
print(op)
op = tf.nn.conv2d(op,filter2,strides=[1,1,1,1],padding ='SAME')
print(op)
op = tf.nn.max_pool(op,ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],padding ='SAME')
print(op)

输出如下：

tensorflow之conv2d相关推荐

TensorFlow之conv2d函数解析
TensorFlow中函数conv2d主要实现了输入张量与设定卷积核的卷积操作,其函数形式如下: tf.nn.conv2d(input,filter,strides,padding,use_cudnn ...
【TensorFlow】conv2d函数参数解释以及padding理解
卷积conv2d CNN在深度学习中有着举足轻重的地位,主要用于特征提取.在TensorFlow中涉及的函数是tf.nn.conv2d. tf.nn.conv2d(input, filter, str ...
【tensorflow】conv2d/conv3d/maxpool2d/maxpool3d
近来需要做一个3DCNN的网络模型,就把tensorflow中2d和3d的卷积和最大池化的API整理了一下,以便加深印象. 1.2d卷积 1.1 原理首先,上图说明卷积是如何操作的: 在第一幅图中, ...
Tensorflow 1.x 和 Pytorch 中 Conv2d Padding的区别
Tensorflow 和 Pytorch 中 Conv2d Padding的区别 Pytorch中Conv2d的Padding 可以是整数,二元组,字符串三种形式. 整数(int).如果输入的padd ...
【pytorch】nn.conv2d的使用
官方文档在这里. conv2d具体不做介绍了,本篇只做pytorch的API使用介绍. torch.nn.Conv2d(in_channels, out_channels, kernel_size, ...
基于tensorflow的MNIST手写字识别
一.卷积神经网络模型知识要点卷积卷积 1.卷积 2.池化 3.全连接 4.梯度下降法 5.softmax 本次就是用最简单的方法给大家讲解这些概念,因为具体的各种论文网上都有,连推导都有,所以本文主要 ...
用TensorFlow和TensorBoard从零开始构建ConvNet（CNN）
更多深度文章,请关注:https://yq.aliyun.com/cloud 首先了解TensorBoard是什么?解开你心中的疑惑! 在本教程中,我将介绍如何使用TensorFlow,从头开始构建卷 ...
基于tensorflow的MNIST手写字识别（一）--白话卷积神经网络模型
一.卷积神经网络模型知识要点卷积卷积 1.卷积 2.池化 3.全连接 4.梯度下降法 5.softmax 本次就是用最简单的方法给大家讲解这些概念,因为具体的各种论文网上都有,连推导都有,所以本文主要 ...
TensorFlow第九步CNN BP算法学习
花了两天时间,基本明白了CNN BP的算法. 可把conv看成局部全连接的堆砌,以全连接BP的思路推导. https://www.cnblogs.com/tornadomeet/p/3468450.h ...

tensorflow之conv2d

tensorflow之conv2d相关推荐

最新文章

热门文章