大家好，又见面了，我是你们的朋友全栈君。
定义： tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) 功能：将两个4维的向量input（样本数据矩阵）和filter（卷积核）做卷积运算，输出卷积后的矩阵 input的形状：[batch, in_height ,in_width, in_channels] batch: 样本的数量 in_height ：每个样本的行数 in_width： 每个样本的列数 in_channels：每个样本的通道数，如果是RGB图像就是3 filter的形状：[filter_height, filter_width, in_channels, out_channels] filter_height：卷积核的高 filter_width：卷积核的宽 in_channels：输入的通道数 out_channels：输出的通道数 比如在tensorflow的cifar10.py文件中有句：
卷积核大小为 5*5，输入通道数是3，输出通道数是64，即这一层输出64个特征 在看cifar10.py里第二层卷积核的定义：
大小依然是5*5，出入就是64个通道即上一层的输出，输出依然是64个特征 strides：[1,stride_h,stride_w,1]步长，即卷积核每次移动的步长 padding：填充模式取值，只能为”SAME”或”VALID” 卷积或池化后的节点数计算公式： output_w = int((input_w 2*padding – filter_w)/strid_w) 1 举例说明： 假设这里使用的图像每副只有一行像素一通道，共3副图像
代码语言：javascript复制>>> a = np.array([[1,1,1],[2,2,2],[3,3,3]])
>>> b=tf.reshape(a,[a.shape[0],1,a.shape[1],1])
>>> init = tf.initialize_all_variables()
>>> sess.run(init)
>>> sess.run(b)
array([[[[1], [1], [1]]], [[[2], [2], [2]]], [[[3], [3], [3]]]])然后设有2个1*2的卷积核
代码语言：javascript复制>>> k=tf.constant([[[[ 1.0, 1.0]],[[2.0, 2.0]]]], dtype=tf.float32)
>>> mycov=tf.nn.conv2d(b, k, [1, 1, 1, 1], padding='SAME')
>>> init = tf.initialize_all_variables()
>>> sess.run(init)
>>> sess.run(mycov)
array([[[[ 3., 3.], [ 3., 3.], [ 1., 1.]]], [[[ 6., 6.], [ 6., 6.], [ 2., 2.]]], [[[ 9., 9.], [ 9., 9.], [ 3., 3.]]]], dtype=float32)
>>> sess.run(b)
array([[[[ 1.], [ 1.], [ 1.]]], [[[ 2.], [ 2.], [ 2.]]], [[[ 3.], [ 3.], [ 3.]]]], dtype=float32)
>>> sess.run(k)
array([[[[ 1., 1.]], [[ 2., 2.]]]], dtype=float32)
最后的0是函数自动填充的，所以最后就得到了一个2通道的卷积结果 将k改成[[ 1.0, 0.5],[2, 1]]然后再次运行：
代码语言：javascript复制>>> k=tf.constant([[[[ 1.0, 0.5]],[[2, 1]]]], dtype=tf.float32)
>>> mycov=tf.nn.conv2d(b, k, [1, 1, 1, 1], padding='SAME')
>>> init = tf.initialize_all_variables()
>>> sess.run(init)
>>> sess.run(mycov)
array([[[[ 3. , 1.5], [ 3. , 1.5], [ 1. , 0.5]]], [[[ 6. , 3. ], [ 6. , 3. ], [ 2. , 1. ]]], [[[ 9. , 4.5], [ 9. , 4.5], [ 3. , 1.5]]]], dtype=float32)卷积核一般用tf.get_variable()初始化，这里为了演示直接指定为常量
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/129729.html原文链接：https://javaforall.cn
