tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
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:
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
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)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
name是啥?
strides[1,1,1,1]和strides[1,2,2,1]啥关系?
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7])) op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
此时输出7张5×5的feature map
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')
此时,输出7张3×3的feature map
http://blog.csdn.net/mao_xiao_feng/article/details/78004522