int height_col= (height + 2 * pad_h - kernel_h) / stride_h + 1;

int width_col = (width + 2 * pad_w - kernel_w) / stride_w + 1;

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要

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

除去name参数用以指定该操作的name，与方法有关的一共五个参数 ：

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]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

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


那么TensorFlow的卷积具体是怎样实现的呢，用一些例子去解释它：

1.考虑一种最简单的情况，现在有一张3×3单通道的图像（对应的shape：[1，3，3，1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，最后会得到一张3×3的feature map

2.增加图片的通道数，使用一张3×3五通道的图像（对应的shape：[1，3，3，5]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，仍然是一张3×3的feature map，这就相当于每一个像素点，卷积核都与该像素点的每一个通道做点积

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

3.把卷积核扩大，现在用3×3的卷积核做卷积，最后的输出是一个值，相当于情况2的feature map所有像素点的值求和

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

4.使用更大的图片将 情况2 的图片扩大到5×5，仍然是3×3的卷积核，令步长为1，输出3×3的feature map

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

注意我们可以把这种情况看成情况2和情况3的中间状态，卷积核以步长1滑动遍历全图，以下x表示的位置，表示卷积核停留的位置，每停留一个，输出feature map的一个像素

[python] view plaincopy
  1. .....
  2. .xxx.
  3. .xxx.
  4. .xxx.
  5. .....

5.上面我们一直令参数padding的值为‘VALID’，当其为‘SAME’时，表示卷积核可以停留在图像边缘，如下，输出5×5的feature map

[python] view plaincopy
  1. input = tf.Variable(tf.random_normal([1,5,5,5]))
  2. filter = tf.Variable(tf.random_normal([3,3,5,1]))
  3. op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
[python] view plaincopy
  1. xxxxx
  2. xxxxx
  3. xxxxx
  4. xxxxx
  5. xxxxx

6.如果卷积核有多个

[python] view plaincopy
  1. input = tf.Variable(tf.random_normal([1,5,5,5]))
  2. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  3. op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')

此时输出7张5×5的feature map

7.步长不为1的情况，文档里说了对于图片，因为只有两维，通常strides取[1，stride，stride，1]

[python] view plaincopy
  1. input = tf.Variable(tf.random_normal([1,5,5,5]))
  2. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  3. op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')

此时，输出7张3×3的feature map

[python] view plaincopy
  1. x.x.x
  2. .....
  3. x.x.x
  4. .....
  5. x.x.x

8.如果batch值不为1，同时输入10张图

[python] view plaincopy
  1. input = tf.Variable(tf.random_normal([10,5,5,5]))
  2. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  3. op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')

每张图，都有7张3×3的feature map，输出的shape就是[10，3，3，7]


最后，把程序总结一下：

[python] view plaincopy
  1. import tensorflow as tf
  2. #case 2
  3. input = tf.Variable(tf.random_normal([1,3,3,5]))
  4. filter = tf.Variable(tf.random_normal([1,1,5,1]))
  5. op2 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
  6. #case 3
  7. input = tf.Variable(tf.random_normal([1,3,3,5]))
  8. filter = tf.Variable(tf.random_normal([3,3,5,1]))
  9. op3 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
  10. #case 4
  11. input = tf.Variable(tf.random_normal([1,5,5,5]))
  12. filter = tf.Variable(tf.random_normal([3,3,5,1]))
  13. op4 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
  14. #case 5
  15. input = tf.Variable(tf.random_normal([1,5,5,5]))
  16. filter = tf.Variable(tf.random_normal([3,3,5,1]))
  17. op5 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
  18. #case 6
  19. input = tf.Variable(tf.random_normal([1,5,5,5]))
  20. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  21. op6 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
  22. #case 7
  23. input = tf.Variable(tf.random_normal([1,5,5,5]))
  24. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  25. op7 = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')
  26. #case 8
  27. input = tf.Variable(tf.random_normal([10,5,5,5]))
  28. filter = tf.Variable(tf.random_normal([3,3,5,7]))
  29. op8 = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')
  30. init = tf.initialize_all_variables()
  31. with tf.Session() as sess:
  32. sess.run(init)
  33. print("case 2")
  34. print(sess.run(op2))
  35. print("case 3")
  36. print(sess.run(op3))
  37. print("case 4")
  38. print(sess.run(op4))
  39. print("case 5")
  40. print(sess.run(op5))
  41. print("case 6")
  42. print(sess.run(op6))
  43. print("case 7")
  44. print(sess.run(op7))
  45. print("case 8")
  46. print(sess.run(op8))

因为是随机初始化，我的结果是这样的：

[python] view plaincopy
  1. case 2
  2. [[[[-0.64064658]
  3. [-1.82183945]
  4. [-2.63191342]]
  5. [[ 8.05008984]
  6. [ 1.66023612]
  7. [ 2.53465152]]
  8. [[-3.51703644]
  9. [-5.92647743]
  10. [ 0.55595356]]]]
  11. case 3
  12. [[[[ 10.53139973]]]]
  13. case 4
  14. [[[[ 10.45460224]
  15. [  6.23760509]
  16. [  4.97157574]]
  17. [[  3.05653667]
  18. [-11.43907833]
  19. [ -2.05077457]]
  20. [[ -7.48340607]
  21. [ -0.90697062]
  22. [  3.27171206]]]]
  23. case 5
  24. [[[[  5.30279875]
  25. [ -2.75329947]
  26. [  5.62432575]
  27. [-10.24609661]
  28. [  0.12603235]]
  29. [[  0.2113893 ]
  30. [  1.73748684]
  31. [ -3.04372549]
  32. [ -7.2625494 ]
  33. [-12.76445198]]
  34. [[ -1.57414591]
  35. [ -3.39802694]
  36. [ -6.01582575]
  37. [ -1.73042905]
  38. [ -3.07183361]]
  39. [[  1.41795194]
  40. [ -2.02815866]
  41. [-17.08983231]
  42. [ 11.98958111]
  43. [  2.44879103]]
  44. [[  0.29902667]
  45. [ -3.19712877]
  46. [ -2.84978414]
  47. [ -2.71143317]
  48. [  5.99366283]]]]
  49. case 6
  50. [[[[ 12.02504349   4.35077286   2.67207813   5.77893162   6.98221684
  51. -0.96858567  -8.1147871 ]
  52. [ -0.02988982  -2.52141953  15.24755192   6.39476395  -4.36355495
  53. -2.34515095   5.55743504]
  54. [ -2.74448752  -1.62703776  -6.84849405  10.12248802   3.7408421
  55. 4.71439075   6.13722801]
  56. [  0.82365227  -1.00546622  -3.29460764   5.12690163  -0.75699937
  57. -2.60097408  -8.33882809]
  58. [  0.76171923  -0.86230004  -6.30558443  -5.58426857   2.70478535
  59. 8.98232937  -2.45504045]]
  60. [[  3.13419819 -13.96483231   0.42031103   2.97559547   6.86646557
  61. -3.44916964  -0.10199898]
  62. [ 11.65359879  -5.2145977    4.28352737   2.68335319   3.21993709
  63. -6.77338028   8.08918095]
  64. [  0.91533852  -0.31835344  -1.06122255  -9.11237717   5.05267143
  65. 5.6913228   -5.23855162]
  66. [ -0.58775592  -5.03531456  14.70254898   9.78966522 -11.00562763
  67. -4.08925819  -3.29650426]
  68. [ -2.23447251  -0.18028721  -4.80610704  11.2093544   -6.72472
  69. -2.67547607   1.68422937]]
  70. [[ -3.40548897  -9.70355129  -1.05640507  -2.55293012  -2.78455877
  71. -15.05377483  -4.16571808]
  72. [ 13.66925812   2.87588191   8.29056358   6.71941566   2.56558466
  73. 10.10329056   2.88392687]
  74. [ -6.30473804  -3.3073864   12.43273926  -0.66088223   2.94875336
  75. 0.06056046  -2.78857946]
  76. [ -7.14735603  -1.44281793   3.3629775   -7.87305021   2.00383091
  77. -2.50426936  -6.93097973]
  78. [ -3.15817571   1.85821593   0.60049552  -0.43315536  -4.43284273
  79. 0.54264796   1.54882073]]
  80. [[  2.19440389  -0.21308756  -4.35629082  -3.62100363  -0.08513772
  81. -0.80940366   7.57606506]
  82. [ -2.65713739   0.45524287 -16.04298019  -5.19629049  -0.63200498
  83. 1.13256514  -6.70045137]
  84. [  8.00792599   4.09538221  -6.16250181   8.35843849  -4.25959206
  85. -1.5945878   -7.60996151]
  86. [  8.56787586   5.85663748  -4.38656425   0.12728286  -6.53928804
  87. 2.3200655    9.47253895]
  88. [ -6.62967777   2.88872099  -2.76913023  -0.86287498  -1.4262073
  89. -6.59967232   5.97229099]]
  90. [[ -3.59423327   4.60458899  -5.08300591   1.32078576   3.27156973
  91. 0.5302844   -5.27635145]
  92. [ -0.87793881   1.79624665   1.66793108  -4.70763969  -2.87593603
  93. -1.26820421  -7.72825718]
  94. [ -1.49699068  -3.40959787  -1.21225107  -1.11641395  -8.50123024
  95. -0.59399474   3.18010235]
  96. [ -4.4249506   -0.73349547  -1.49064219  -6.09967899   5.18624878
  97. -3.80284953  -0.55285597]
  98. [ -1.42934585   2.76053572  -5.19795799   0.83952439  -0.15203482
  99. 0.28564462   2.66513705]]]]
  100. case 7
  101. [[[[  2.66223097   2.64498258  -2.93302107   3.50935125   4.62247562
  102. 2.04241085  -2.65325522]
  103. [ -0.03272867  -1.00103927  -4.3691597    2.16724801   7.75251007
  104. -4.6788125   -0.89318085]
  105. [  4.74175072  -0.80443329  -1.02710629  -6.68772554   4.57605314
  106. -3.72993755   4.79951382]]
  107. [[  5.249547     8.92288399   7.10703182  -9.10498428  -7.43814278
  108. -8.69616318   1.78862095]
  109. [  7.53669024 -14.52316284  -2.55870199  -1.11976743   3.81035042
  110. 2.45559502  -2.35436153]
  111. [  3.93275881   5.11939669  -4.7114296  -11.96386623   2.11866689
  112. 0.57433248  -7.19815397]]
  113. [[  0.25111672   1.40801668   1.28818977  -2.64093828   0.98182392
  114. 3.69512987   4.78833389]
  115. [  0.30391204 -10.26406097   6.05877018  -6.04775047   8.95922089
  116. 0.80235004  -5.4520669 ]
  117. [ -7.24697018  -2.33498096 -10.20039558  -1.24307609   3.99351597
  118. -8.1029129    2.44411373]]]]
  119. case 8
  120. [[[[ -6.84037447e+00   1.33321762e-01  -5.09891272e+00   5.55682087e+00
  121. 8.22002888e+00  -4.94586229e-02   4.19012117e+00]
  122. [  6.79884481e+00   1.21652853e+00  -5.69557810e+00  -1.33555794e+00
  123. 3.24849486e-01   4.88868570e+00  -3.90220714e+00]
  124. [ -3.53190374e+00  -4.11765718e+00   4.54340839e+00   1.85549557e+00
  125. -3.38682461e+00   2.62719369e+00  -4.98658371e+00]]
  126. [[ -9.86354351e+00  -6.76713943e+00   3.62617874e+00  -6.16720629e+00
  127. 1.96754158e+00  -4.54203081e+00  -1.37485743e+00]
  128. [ -1.76783955e+00   2.35163045e+00  -2.21175838e+00   3.83091879e+00
  129. 3.16964531e+00  -7.58307219e+00   4.71943617e+00]
  130. [  1.20776439e+00   4.86006308e+00   1.04233503e+01  -7.82327271e+00
  131. 5.39195156e+00  -6.31672382e+00   1.35577369e+00]]
  132. [[ -3.65947580e+00  -1.98961139e+00   7.53771305e+00   2.79224634e-01
  133. -2.90050888e+00  -3.57466817e+00  -6.33232594e-01]
  134. [  5.89931488e-01   2.83219159e-01  -1.65850735e+00  -6.45545387e+00
  135. -1.17044592e+00   1.40343285e+00   5.74970901e-01]
  136. [ -8.58810043e+00  -1.25172977e+01   6.84177876e-01   3.80004168e+00
  137. -1.54420209e+00  -3.32161427e+00  -1.05423713e+00]]]
  138. [[[ -4.82677078e+00   3.11167526e+00  -4.32694483e+00  -4.77198696e+00
  139. 2.32186103e+00   1.65402293e-01  -5.32707453e+00]
  140. [  3.91779566e+00   6.27949667e+00   2.32975650e+00  -1.06336937e+01
  141. 4.44044876e+00   8.08288479e+00  -5.83346319e+00]
  142. [ -2.82141399e+00  -9.16103745e+00   6.98908520e+00  -5.66505909e+00
  143. -2.11039782e+00   2.27499461e+00  -5.74120235e+00]]
  144. [[  6.71680808e-01  -4.01104212e+00  -4.61760712e+00   1.02667952e+01
  145. -8.21200657e+00  -8.57054043e+00   1.71461976e+00]
  146. [  2.40794683e+00  -2.63071585e+00   9.68963623e+00  -4.51778412e+00
  147. -3.91073084e+00  -5.91874409e+00   9.96273613e+00]
  148. [  2.67705870e+00   2.85607010e-01   2.45853162e+00   4.44810390e+00
  149. -2.11300468e+00  -5.77583075e+00   2.83322239e+00]]
  150. [[ -8.21949577e+00  -7.57754421e+00   3.93484974e+00   2.26189137e+00
  151. -3.49395227e+00  -6.40283823e+00  -6.00450039e-01]
  152. [  2.95964479e-02  -1.19976890e+00   5.38537979e+00   4.62369967e+00
  153. 3.89780998e+00  -6.36872959e+00   7.12107182e+00]
  154. [ -8.85006547e-01   1.92706418e+00   3.26668215e+00   2.03566647e+00
  155. 1.44209075e+00  -6.48463774e+00  -8.33671093e-02]]]
  156. [[[ -2.64583921e+00   3.86011934e+00   4.18198538e+00   3.50338411e+00
  157. 6.35944796e+00  -4.28423309e+00   4.87355423e+00]
  158. [  4.42271233e+00   3.92883778e+00  -5.59371090e+00   4.98251200e+00
  159. -3.45068884e+00   2.91921115e+00   1.03779554e+00]
  160. [  1.36162388e+00  -1.06808968e+01  -3.92534947e+00   1.85111761e-01
  161. -4.87255526e+00   1.66666222e+01  -1.04918976e+01]]
  162. [[ -4.34632540e+00   1.74614882e+00  -2.89012527e+00  -8.74067783e+00
  163. 5.06610107e+00   1.24989772e+00  -3.06433105e+00]
  164. [  2.49973416e+00   2.14041996e+00  -4.71008825e+00   7.39326143e+00
  165. 3.94770741e+00   8.23049164e+00  -1.67046225e+00]
  166. [ -2.94665837e+00  -4.58543825e+00   7.21219683e+00   1.09780006e+01
  167. 5.17258358e+00   7.90257788e+00  -2.13929534e+00]]
  168. [[  4.20402241e+00  -2.98926830e+00  -3.89006615e-01  -8.16001511e+00
  169. -2.38355541e+00   1.42584383e+00  -5.46632290e+00]
  170. [  5.52395058e+00   5.09255171e+00  -1.08742390e+01  -4.96262169e+00
  171. -1.35298109e+00   3.65663052e-01  -3.40589857e+00]
  172. [ -6.95647061e-01  -4.12855625e+00   2.66609401e-01  -9.39565372e+00
  173. -3.85058141e+00   2.51248240e-01  -5.77149725e+00]]]
  174. [[[  1.22103825e+01   5.72040796e+00  -3.56989503e+00  -1.02248180e+00
  175. -5.20942688e-01   7.15008640e+00   3.43482435e-01]
  176. [  6.01409674e+00  -1.59511256e+00  -6.48080063e+00  -1.82889538e+01
  177. -1.03537569e+01  -1.48270035e+01  -5.26662111e+00]
  178. [  5.51758146e+00  -2.91831636e+00   3.75461340e-01  -9.23893452e-02
  179. -9.22101116e+00   7.16952372e+00  -6.86479330e-01]]
  180. [[ -3.03645611e+00   6.68620300e+00  -3.31973934e+00  -4.91346550e+00
  181. 9.20719814e+00  -2.55552864e+00  -2.16087699e-02]
  182. [ -3.02986956e+00  -1.29726543e+01   1.53023469e+00  -8.19733238e+00
  183. 5.68085670e+00  -1.72856820e+00  -4.69369221e+00]
  184. [ -6.67176056e+00   8.76355553e+00   2.18996063e-01  -4.38777208e+00
  185. -6.35764122e-01  -1.37812555e+00  -4.41474581e+00]]
  186. [[  2.25345469e+00   1.02142305e+01  -1.71714854e+00  -5.29060185e-01
  187. 2.27982092e+00  -8.75302982e+00   7.13998675e-02]
  188. [ -6.67547846e+00   3.67722750e+00  -3.44172812e+00   5.69674826e+00
  189. -2.28723526e+00   5.92991543e+00   5.53608060e-01]
  190. [ -1.01174891e-01  -2.73731589e+00  -4.06187654e-01   6.54158068e+00
  191. 2.59603882e+00   2.99202776e+00  -2.22350287e+00]]]
  192. [[[ -1.81271315e+00   2.47674489e+00  -2.90284491e+00   1.34291325e+01
  193. 7.69864845e+00  -1.27134466e+00   3.02233839e+00]
  194. [ -2.08135307e-01   1.03206539e+00   1.90775347e+00   9.01517391e+00
  195. -3.52140331e+00   9.05393791e+00  -9.12732124e-01]
  196. [  1.12128162e+00   5.98179293e+00  -2.27206993e+00  -5.21281779e-01
  197. 6.20835352e+00   3.73474598e+00   1.18961644e+00]]
  198. [[  3.17242837e+00  -6.00571585e+00   2.37661076e+00  -5.64483738e+00
  199. -6.45412731e+00   8.75251675e+00   7.33790398e-02]
  200. [  3.08957529e+00  -1.06855690e-01  -5.16810894e-01  -9.41085911e+00
  201. 8.23878098e+00   6.79738426e+00  -1.23478663e+00]
  202. [ -9.20640087e+00  -6.82801771e+00  -5.96975613e+00   7.61030674e-01
  203. -4.35995817e+00  -3.54818010e+00  -2.56281614e+00]]
  204. [[  4.69872713e-01   8.36402321e+00   5.37103415e-01  -1.68033957e-01
  205. -3.21731424e+00  -7.34270859e+00  -3.14253521e+00]
  206. [  6.69656086e+00  -5.27954197e+00  -8.57314682e+00   4.84328842e+00
  207. -2.96387672e+00   2.47114658e+00   2.85376692e+00]
  208. [ -7.86032295e+00  -7.18845367e+00  -3.27161223e-01   9.27330971e+00
  209. -6.14093494e+00  -4.49041557e+00   3.47160912e+00]]]
  210. [[[ -1.89188433e+00   5.43082857e+00   6.04252160e-01   6.92894220e+00
  211. 8.59178162e+00   1.02003086e+00   5.31300211e+00]
  212. [ -8.97491455e-01   6.52438164e+00  -4.43710327e+00   7.10509634e+00
  213. 8.84234428e+00   3.08552694e+00   2.78152227e+00]
  214. [ -9.40537453e-02   2.34666920e+00  -5.57496691e+00  -8.62346458e+00
  215. -1.32807600e+00  -8.12027454e-02  -9.00946975e-01]]
  216. [[ -3.53673506e+00   8.93675327e+00   3.27456236e-01  -3.41519475e+00
  217. 7.69804525e+00  -5.18698692e+00  -3.96991730e+00]
  218. [  1.99988627e+00  -9.16149998e+00  -7.49944544e+00   5.02162695e-01
  219. 3.57059622e+00   9.17566013e+00  -1.77589107e+00]
  220. [ -1.18147678e+01  -7.68992901e+00   1.88449645e+00   2.77643538e+00
  221. -1.11342735e+01  -3.12916255e+00  -3.34161663e+00]]
  222. [[ -3.62668943e+00  -3.10993242e+00   3.60834384e+00   4.69678783e+00
  223. -1.73794723e+00  -1.27035933e+01   3.65882218e-01]
  224. [ -8.97550106e+00  -4.33533072e-01   4.41743970e-01  -5.83433771e+00
  225. -4.85818958e+00   9.56629372e+00   3.56375504e+00]
  226. [ -6.87092066e+00   1.96412420e+00   5.14182663e+00  -8.97769547e+00
  227. 3.61136627e+00   5.91387987e-01  -2.95224571e+00]]]
  228. [[[ -1.11802626e+00   3.24175072e+00   5.94067669e+00   9.29727936e+00
  229. 9.28199863e+00  -4.80889034e+00   6.96202660e+00]
  230. [  7.23959684e+00   3.11182523e+00   1.84116721e+00   5.12095928e-01
  231. -7.65049171e+00  -4.05325556e+00   5.38544941e+00]
  232. [  4.66621685e+00  -1.61665392e+00   9.76448345e+00   2.38519001e+00
  233. -2.06760812e+00  -6.03633642e-01   3.66192675e+00]]
  234. [[  1.52149725e+00  -1.84441996e+00   4.87877655e+00   2.96750760e+00
  235. 2.37311172e+00  -2.98487616e+00   9.98114228e-01]
  236. [  9.20035839e+00   5.24396753e+00  -2.57312679e+00  -7.26040459e+00
  237. -1.17509928e+01   6.85688591e+00   3.37383580e+00]
  238. [  6.17629957e+00  -5.15294194e-01  -1.64212489e+00  -5.70274448e+00
  239. -2.36294913e+00   2.60432816e+00   2.63957453e+00]]
  240. [[  7.91168213e-03  -1.15018034e+00   3.05471039e+00   3.31086922e+00
  241. 5.35744762e+00   1.14832592e+00   9.56500292e-01]
  242. [  4.86464739e+00   5.37348413e+00   1.42920148e+00   1.62809372e+00
  243. 2.61656570e+00   7.88479471e+00  -6.09324336e-01]
  244. [  7.71319962e+00  -1.73930550e+00  -2.99925613e+00  -3.14857435e+00
  245. 3.19194889e+00   1.70928288e+00   4.90955710e-01]]]
  246. [[[ -1.79046512e+00   8.54369068e+00   1.85044312e+00  -9.88471413e+00
  247. 9.52995300e-01  -1.34820042e+01  -1.13713551e+01]
  248. [  8.37582207e+00   6.64692163e+00  -3.22429276e+00   3.37997460e+00
  249. 3.91468263e+00   6.96061993e+00  -1.18029404e+00]
  250. [ -2.13278866e+00   4.36152029e+00  -4.14593410e+00  -2.15160155e+00
  251. 1.90767622e+00   1.16321917e+01  -3.72644544e+00]]
  252. [[ -5.03508925e-01  -6.33426476e+00  -1.06393566e+01  -6.49301624e+00
  253. -6.31036520e+00   3.13485146e+00  -5.77433109e-01]
  254. [  7.41444230e-01  -4.87326956e+00  -5.98253345e+00  -9.14121056e+00
  255. -8.64077091e-01   2.06696177e+00  -7.59688473e+00]
  256. [  1.38767815e+00   1.84418947e-01   5.72539902e+00  -2.07557893e+00
  257. 9.70911503e-01   1.16765432e+01  -1.40111232e+00]]
  258. [[ -1.21869087e+00   2.44499159e+00  -1.65706706e+00  -6.19807529e+00
  259. -5.56950712e+00  -1.72372568e+00   3.62687564e+00]
  260. [  2.23708963e+00  -2.87862611e+00   2.71666467e-01   4.35115099e+00
  261. -8.85548592e-01   2.91860628e+00   8.10848951e-01]
  262. [ -5.33635712e+00   7.15072036e-01   5.21240902e+00  -3.11152220e+00
  263. 2.01623154e+00  -2.28398323e-01  -3.23233747e+00]]]
  264. [[[  3.77991509e+00   5.53513861e+00  -1.82022047e+00   4.22430277e+00
  265. 5.60331726e+00  -4.28308249e+00   4.54524136e+00]
  266. [ -5.30983162e+00  -3.45605731e+00   2.69374561e+00  -6.16836596e+00
  267. -9.18601036e+00  -1.58697796e+00  -5.73809910e+00]
  268. [  2.18868661e+00   6.96338892e-01   1.88057957e+01  -4.21353197e+00
  269. 1.20818818e+00   2.85108542e+00   6.62180042e+00]]
  270. [[  1.01285219e+01  -4.86819077e+00  -2.45067930e+00   7.50106812e-01
  271. 4.37201977e+00   4.78472042e+00   1.19103444e+00]
  272. [ -3.26395583e+00  -5.59358537e-01   1.52001972e+01  -5.93994498e-01
  273. -1.49040818e+00  -7.02547312e+00  -1.29268813e+00]
  274. [  1.02763653e+01   1.31108007e+01  -2.91605043e+00  -1.37688947e+00
  275. 3.33029580e+00   1.96966705e+01   2.55259371e+00]]
  276. [[  4.58397627e+00  -3.19160700e+00  -6.51985502e+00   1.02908373e+01
  277. -4.17618275e+00  -9.69347239e-01   7.46259832e+00]
  278. [  6.09876537e+00   1.33044279e+00   5.04027081e+00  -6.87740147e-01
  279. 4.14770365e+00  -2.26751328e-01   1.54876924e+00]
  280. [  2.70127630e+00  -1.59834003e+00  -1.82587504e+00  -5.92888784e+00
  281. -5.65038967e+00  -6.46078014e+00  -1.80765367e+00]]]
  282. [[[ -1.57899165e+00   3.39969063e+00   1.02308102e+01  -7.77082300e+00
  283. -8.02129686e-01  -3.67387819e+00  -1.37204361e+00]
  284. [  3.93093729e+00   6.17498016e+00  -1.41695750e+00  -1.26903206e-01
  285. 2.18985319e+00   5.83657503e-01   7.39725351e-01]
  286. [  5.53898287e+00   2.22283316e+00  -1.10478985e+00   2.68644023e+00
  287. -2.59913635e+00   3.74231935e+00   4.85016155e+00]]
  288. [[  4.05368614e+00  -3.74058294e+00   7.32348633e+00  -1.17656231e+00
  289. 3.71810269e+00  -1.63957381e+00   9.91670132e-01]
  290. [ -1.29317007e+01   1.12296543e+01  -1.13844347e+01  -7.13933802e+00
  291. -8.65884399e+00  -5.56065178e+00  -1.46718264e+00]
  292. [ -8.08718109e+00  -1.98826480e+00  -4.07488203e+00   2.06440473e+00
  293. 1.13524094e+01   5.68703651e+00  -2.18706942e+00]]
  294. [[  1.51166654e+00  -6.84034204e+00   9.33474350e+00  -4.80931902e+00
  295. -6.24172688e-02  -4.21381521e+00  -5.73313046e+00]
  296. [ -1.35943902e+00   5.27799511e+00  -3.77813816e+00   6.88291168e+00
  297. 4.35068893e+00  -1.02540245e+01   8.86861205e-01]
  298. [ -4.49999619e+00  -2.97630525e+00  -6.18604183e-01  -2.49702692e+00
  299. -6.76169348e+00  -2.55930996e+00  -2.71291423e+00]]]]

【TensorFlow】tf.nn.conv2d是怎样实现卷积的？相关推荐

  1. TensorFlow tf.nn.conv2d是怎样实现卷积的？

    [TensorFlow]tf.nn.conv2d是怎样实现卷积的? 原文:http://blog.csdn.net/mao_xiao_feng/article/details/78004522 实验环 ...

  2. TensorFlow 从入门到精通（八）：TensorFlow tf.nn.conv2d 一路追查

    读者可能还记得本系列博客(二)和(六)中 tf.nn 模块,其中最关心的是 conv2d 这个函数. 首先将博客(二) MNIST 例程中 convolutional.py 关键源码列出: def m ...

  3. 【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？膨胀卷积

    介绍 关于空洞卷积的理论可以查看以下链接,这里我们不详细讲理论: 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networ ...

  4. tensorflow详解-tf.nn.conv2d()，tf.nn.max_pool()

    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 ...

  5. tf.nn.conv2d理解(带通道的卷积图片输出案例)

    三篇参考: 1.https://blog.csdn.net/goodshot/article/details/79655915 TF-卷积函数 tf.nn.conv2d 介绍 2.https://bl ...

  6. [TensorFlow 学习笔记-04]卷积函数之tf.nn.conv2d

    [版权说明] TensorFlow 学习笔记参考: 李嘉璇 著 TensorFlow技术解析与实战 黄文坚 唐源 著 TensorFlow实战郑泽宇  顾思宇 著 TensorFlow实战Google ...

  7. 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 ...

  8. 【TensorFlow】理解tf.nn.conv2d方法 ( 附代码详解注释 )

    最近在研究学习TensorFlow,在做识别手写数字的demo时,遇到了tf.nn.conv2d这个方法,查阅了官网的API 发现讲得比较简略,还是没理解.google了一下,参考了网上一些朋友写得博 ...

  9. TensorFlow学习笔记（十七）tf.nn.conv2d

    在给定的4D input与filter下计算2D卷积输入shape为[batch, height, width, in_channels] TensorFlow的CNN代码中有 tf.nn.conv2 ...

最新文章

  1. 如何使用ODBC搭配dsn链接数据库
  2. 6、（二进制类型）BIT、BINARY、VARBINARY、BLOB
  3. 分布式（distributed）是什么意思？
  4. js(Dom+Bom)第一天（2）
  5. 【操作系统】操作系统的生成
  6. [教程]添加yueue.ADOKeycap数据库组件到您的项目
  7. Linux命令之cut详解
  8. Seldom2.0: 如何更简单的实现HTTP接口测试
  9. 禁止选中页面内容-兼容ie、firefox、chrome
  10. 线性代数常用知识点总结
  11. iTunes驱动程序缺少用于导入和刻录CD与DVD的注册设置
  12. 解析身份证号码（附加Java代码）
  13. Java 每半年就会更新一次新特性，再不掌握就要落伍了：Java17 的新特性
  14. Appium工作日记：Message: An element could not be located on the page using the given search parameters.
  15. 爱快路由研究中关于rootfs.gz文件的解压缩问题
  16. 百度大脑3月新品推荐：EasyDL视频目标追踪全新发布
  17. CorelDraw插件开发-VBA-常用功能-二维码创建-cdr插件
  18. ObjectArx自定义实体入门(C++)及注意事项
  19. iOS底层原理探究 第一探. 事件传递和响应者链
  20. 这个季节，想到了什么

热门文章

  1. vue 保存全局变量_Vue+Typescript起手式
  2. php能实现文本复制吗,php 简单复制文件的方法
  3. oracle 12c java 驱动,oracle12c驱动jar包
  4. python三维数据转换成二维_Python科学计算全生态工具锦集
  5. 96.6. Template
  6. ArcGis License 启动失败
  7. 推断两条单链表是否相交
  8. 如何给iOS 分类添加 属性
  9. 登白云嶂,银屏嘴游记
  10. Linux操作系统文件系统基础知识详解