tf.nn.conv2d() 函数来计算卷积,weights 作为滤波器,[1, 2, 2, 1] 作为 strides。TensorFlow 对每一个 input 维度使用一个单独的 stride 参数,[batch, input_height, input_width, input_channels]。我们通常把 batch 和 input_channels (strides 序列中的第一个第四个)的 stride 设为 1。

tf.nn.max_pool() 函数实现最大池化时, ksize参数是滤波器大小,strides参数是步长。2x2 的滤波器配合 2x2 的步长是常用设定。

ksize 和 strides 参数也被构建为四个元素的列表,每个元素对应 input tensor 的一个维度 ([batch, height, width, channels]),对 ksize 和 strides 来说,batch 和 channel 通常都设置成 1

池化层并不是很受青睐。部分原因是:

  • 现在的数据集又大又复杂,我们更关心欠拟合问题。
  • Dropout 是一个更好的正则化方法。
  • 池化导致信息损失。想想最大池化的例子,n 个数字中我们只保留最大的,把余下的 n-1 完全舍弃了。

tensorflow详解-tf.nn.conv2d(),tf.nn.max_pool()相关推荐

  1. tf.nn.conv2d() / tf.nn.depthwise_conv2d() 和 Batchsize效益

    1. 卷积函数tf.nn.conv2d() tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_form ...

  2. 虚拟机VMware的Ubuntu下安装tensorflow详解

    这里笔者已经安装好了虚拟机并安装了Ubuntu系统,并且虚拟机可以联网,因此就直接开始介绍下面的步骤.网上博文很乱,特意整理,以供参考. 虚拟机VMware的Ubuntu下安装tensorflow详解 ...

  3. Tensorflow BatchNormalization详解:4_使用tf.nn.batch_normalization函数实现Batch Normalization操作...

    使用tf.nn.batch_normalization函数实现Batch Normalization操作 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献 吴恩达deeplearnin ...

  4. 通俗理解tf.nn.conv2d() tf.nn.conv3d( )参数的含义 pytorhc 卷积

    20210609 例如(3,3,(3,7,7))表示的是输入图像的通道数是3,输出图像的通道数是3,(3,7,7)表示过滤器每次处理3帧图像,卷积核的大小是3 x 7 x 7. https://blo ...

  5. 详解ROS中的TF使用

    个人博客:http://www.chenjianqu.com/ 原文链接:http://www.chenjianqu.com/show-107.html 之前写过一篇博文<ROS-坐标转换> ...

  6. TensorFlow详解

    TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统,被广泛应用于各类机器学习(machine learning)算法的编程实现,其前身是谷歌的神经网络算 ...

  7. PyTorch学习笔记(1)nn.Sequential、nn.Conv2d、nn.BatchNorm2d、nn.ReLU和nn.MaxPool2d

    文章目录 一.nn.Sequential 二.nn.Conv2d 三.nn.BatchNorm2d 四.nn.ReLU 五.nn.MaxPool2d 一.nn.Sequential torch.nn. ...

  8. TensorFlow详解猫狗识别(一)--读取自己的数据集

    数据集下载 链接: https://pan.baidu.com/s/1SlNAPf3NbgPyf93XluM7Fg 密码: hpn4 数据集分别有12500张cat,12500张dog 读取数据集 数 ...

  9. PyTorch中 nn.Conv2d与nn.ConvTranspose2d函数的用法

    原文链接 1. 通道数问题 : 描述一个像素点,如果是灰度,那么只需要一个数值来描述它,就是单通道.如果有RGB三种颜色来描述它,就是三通道.最初输入的图片样本的 channels ,取决于图片类型: ...

最新文章

  1. 分享Silverlight/WPF/Windows Phone一周学习导读(10月16日-10月22日)
  2. 软考高项之沟通与干系人管理-背诵记忆
  3. mssql的T-SQL教程(从建登陆到建库、表和约束)
  4. 【机器学习】三层神经网络
  5. Unity3D-C#脚本介绍
  6. IPMSG飞鸽传书3——协议翻译
  7. cannot convert 'this' pointer from 'const class A' to 'class A '
  8. java 设置系统参数_Java设置系统参数和运行参数
  9. 如何使用JavaScript重定向到其他网页?
  10. seo入门需掌握的基础知识
  11. 采集用python还是火车头_火车采集器V9插件开发手册
  12. LIO-SAM论文翻译
  13. There was a problem confirming the ssl certificate: HTTPSConnectionPool(host=‘pypi.org‘, port=443)
  14. 走近棒球运动·科罗拉多落基队·MLB棒球创造营
  15. 安信可ESP32-CAM摄像头开发demo--广域网远程实时查看视频流
  16. 微信小程序解析并上传excel
  17. 苹果14pro Max来了,做第一批吃蟹人
  18. 笔记本电脑常识:噪音
  19. JavaSE —— 使用 Javac 编译 Java 程序
  20. Python数据可视化——pyecharts学习笔记

热门文章

  1. Bootstrap 字体图标(Glyphicons)
  2. 代码迁移之旅(二)- 渐进式迁移方案
  3. 3.4_函数_Function_Part_2
  4. Nginx模块之———— RTMP 模块的在线统计功能 stat 数据流数据的获取(不同节点则获取的方式不同)...
  5. 【python自动化第八篇:网络编程】
  6. Socket 学习(三).1 tcp 通讯
  7. java 中的几种 通用方法“
  8. (Mark)操作系统原理
  9. 利用.net4.0的dynamic特性制造的超级简单的微信SDK
  10. [OpenJudge] 百练2754 八皇后