TensorFlow-卷積

卷積：

conv2d (

 　　input,

　　 filter,

　　 strides,

 　　padding,

 　　use_cudnn_on_gpu=True,

　　 data_format='NHWC',

　　 name=None

)

參數名	必選	類型	說明
input	是	tensor	是一個 4 維的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是圖像，[ 訓練時一個 batch 的圖片數量, 圖片高度, 圖片寬度, 圖像通道數 ]）
filter	是	tensor	是一個 4 維的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是圖像，[ 卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數 ]）,filter 的 in_channels 必須和 input 的 in_channels 相等
strides	是	列表	長度爲 4 的 list，卷積時候在 input 上每一維的步長，通常 strides[0] = strides[3] = 1
padding	是	string	只能爲 " VALID "，" SAME " 中之一，這個值決定了不一樣的卷積方式。VALID 丟棄方式；SAME：補全方式
use_cudnn_on_gpu	否	bool	是否使用 cudnn 加速，默認爲 true
data_format	否	string	只能是 " NHWC ", " NCHW "，默認 " NHWC "
name	否	string	運算名稱

 實例代碼：

import tensorflow as tf

a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],

　　dtype=tf.float32,shape=[1,5,5,1])

b = tf.constant([1,0,1,0,1,0,1,0,1],

　　dtype=tf.float32,shape=[3,3,1,1])

c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1], padding='VALID')

d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1], padding='SAME')

with tf.Session() as sess:

    print ("c shape:")

    print (c.shape)

    print ("c value:")

    print (sess.run(c))

    print ("d shape:")

    print (d.shape)

    print ("d value:")

print (sess.run(d))

不一樣padding參數的不通運行方式與結果：

實驗來源於 騰訊雲 - 開發者實驗室 中TensorFlow API的相關實驗；

有意思的是，上述實驗結果與給出的參考結果徹底不一樣，有感興趣的好同志不妨試試看究竟是誰出錯了。