tensorflow conv2d的padding解释以及参数解释
1、padding的方式:
说明:
1、摘录自http://stackoverflow.com/questions/37674306/what-is-the-difference-between-same-and-valid-padding-in-tf-nn-max-pool-of-t
2、不同的padding方式,VALID是采用丢弃的方式,比如上述的input_width=13,只允许滑动2次,多余的元素全部丢掉
3、SAME的方式,采用的是补全的方式,对于上述的情况,允许滑动3次,但是需要补3个元素,左奇右偶,在左边补一个0,右边补2个0
4、For the SAME
padding, the output height and width are computed as:
out_height = ceil(float(in_height) / float(strides[1]))
out_width = ceil(float(in_width) / float(strides[2]))
For the
VALID
padding, the output height and width are computed as:out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))
out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))
2、conv2d的参数:
1、strides[0] = strides[3] = 1
3、conv2d的参数解释:
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
[filter_height, filter_width, in_channels, out_channels]第二个参数filter:相当于CNN中的卷积核,
它要求是一个Tensor,具有这样的shape
,具体含义是
],要求类型与参数input相同,filter的通道数要求与input的in_channels一致,有一个地方需要注意,第三维[卷积核的高度,
卷积核的宽度,图像通道数,卷积核个数
,就是参数input的第四维in_channels
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,strides[0]=strides[3]=1
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
4、conv2d的例子:
那么TensorFlow的卷积具体是怎样实现的呢,用一些例子去解释它:
import tensorflow as tf
#case 2
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([1,1,5,1]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
res = (sess.run(op))
print (res.shape)
import tensorflow as tf
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
res = (sess.run(op))
print (res.shape)
说明:
1、使用VALID方式,feature map的尺寸为
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))=(5-3+1)/1 = 3
out_width = ceil(float(in_width - filter_width + 1) / float(strides[2])) = (5-3+1)/1 = 3
所以,feature map的尺寸为3*3
2、filter的参数个数为3*3*5*1,也即对于输入的每个通道数都对应于一个3*3的滤波器,然后共5个通道数,conv2d的过程就是对5个输入进行点击然后求和,得到一张feature map。如果要得到3张feature map,那么应该使用的参数为3*3*5*3个参数.
转载于:https://www.cnblogs.com/wuzhitj/p/6433871.html
tensorflow conv2d的padding解释以及参数解释相关推荐
- 【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 ...
- CNN tflearn处理mnist图像识别代码解说——conv_2d参数解释,整个网络的训练,主要就是为了学那个卷积核啊。...
官方参数解释: Convolution 2D tflearn.layers.conv.conv_2d (incoming, nb_filter, filter_size, strides=1, pad ...
- word2vec应用场景_word2vec的使用参数解释和应用场景
" > corpus.txt ``` 因为这些数据虽然去除了其他标签的数据,但是却把保留下来了,所以后来作者在分词程序中去除了这个标签 我在这个[网页](http://www.jb51 ...
- /etc/sysctl.conf参数解释
/etc/sysctl.conf参数解释: fs.file max = 999999 #表示进程(例如一个worker进程)可能同时打开的最大句柄数,直接限制最大并发连接数net.ipv4.tcp_t ...
- lcd参数解释及刷新率计算,LCD时序
一.LCD显示图像的过程如下: 其中,VSYNC和HSYNC是有宽度的,加上后如下: 参数解释: HBP(Horizontal Back Porch)水平后沿:在每行或每列的象素数据开始输出时要插入的 ...
- sklearn之pipeline:sklearn.pipeline函数使用及其参数解释之详细攻略
sklearn之pipeline:sklearn.pipeline函数使用及其参数解释之详细攻略 目录 sklearn.pipeline函数使用及其参数解释 sklearn.pipeline函数使用及 ...
- mysql5.7命中率_MySQL5.7中 performance和sys schema中的监控参数解释(推荐)
1.performance schema:介绍 在mysql5.7中,performance schema有很大改进,包括引入大量新加入的监控项.降低占用空间和负载,以及通过新的sys schema机 ...
- XGBoost-Python完全调参指南-参数解释篇
本文转自XGBoost-Python完全调参指南-参数解释篇.对XGBoost有需要小伙伴可以参看.并在此基础上,添加了一些内容. 在analytics vidhya上看到一篇<Complete ...
- 执行计划中的参数解释
执行计划中的各个参数解释: 一.Recursive calls (递归调用) 1.参考:Oracle Database Reference, 10g Release 2 (10.2).pdf第916页 ...
最新文章
- 在Lotus Domino中使用Java构建应用程序
- 修改PHP session 默认时间方法
- android 跳转到小米手机神隐模式
- gperftools mysql_利用 gperftools 对nginx mysql 内存管理 性能优化
- 自然语言处理系列篇——关键词智能提取
- 测试-LoadRunner
- 【答辩问题】计算机专业本科毕业设计答辩需注意的内容
- 四个球队,单循环比赛,平局每队各得一分,胜利得3分,输不得分,最后各队得分是连续的四个自然数,求第二名的得分...
- pyecharts绘制地图(Geo and Map)(细节更丰富)
- Correct the classpath of your application so that it contains a single, compatible version oforg.spr
- 百度热力图颜色说明_最新黑科技!看完东莞的城市热力图,你就知道该在哪里买房了!...
- 绿色建筑、装配式建筑工作加速推进,建筑行业招聘需求急速飞升
- ps彩色照片变黑白照片
- 百度阅读赚钱秘法 人人皆可操作
- NSString NSArray NSDictionary NSSet 中的部分方法
- 利用匿名管道实现远程CMD---我的解读
- Qt平台添加OpenCV库
- 编写一个完整的矩阵向量乘法的MPI编程代码
- 基于密度的聚类算法(3)——DPC详解
- A“一个部族,一个民族,一个弗雷尔卓德。”(素数筛,逆序对,树状数组)...
热门文章
- 使用LazZiya.ExpressLocalization开发多语言ASP.NET Core 2.x项目
- php中,多维数组是什么意思,在PHP中回显多维数组
- 九里机器人_电子科技大学九里堤校区青少年科教基地为农民工留守子女开展科技讲学公益活动...
- python setup.py build_打包Python项目为rpm时遇到python setup.py build报错的问题
- 营销管理手册_麦肯锡内部培训手册,揭秘高效能团队打造的秘密,附6个案例...
- java getselectedrow_Java Swing实现展示数据,以及过滤排序
- java 本地内存_哪个更快:Java堆还是本地内存
- 疯狂的html css,疯狂Html+CSS+JS 中JS总结
- pp2使用需要java_新GRE模考软件POWERPREP2安装和使用说明(图解)
- jsp给前端注入值失败_基于 qiankun 的微前端最佳实践(图文并茂) 应用间通信篇...