除去name引數用以指定該操作的name，與方法有關的一共五個引數：

第一個引數input：指需要做卷積的輸入影象，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 影象通道數]，注意這是一個4維的Tensor，要求型別為float32和float64其中之一

第二個引數filter：相當於CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape

，具體含義是[卷積核的高度，卷積核的寬度，影象通道數，卷積核個數]，要求型別與引數input相同，有一個地方需要注意，第三維in_channels，就是引數input的第四維


第三個引數strides：卷積時在影象每一維的步長，這是一個一維的向量，長度4


第四個引數padding：string型別的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式（後面會介紹）

第五個引數：use_cudnn_on_gpu:bool型別，是否使用cudnn加速，預設為true

結果返回一個Tensor，這個輸出，就是我們常說的feature map

那麼TensorFlow的卷積具體是怎樣實現的呢，用一些例子去解釋它：

1.考慮一種最簡單的情況，現在有一張3×3單通道的影象（對應的shape：[1，3，3，1]），用一個1×1的卷積核（對應的shape：[1，1，1，1]）去做卷積，最後會得到一張3×3的feature map

2.增加圖片的通道數，使用一張3×3五通道的影象（對應的shape：[1，3，3，5]），用一個1×1的卷積核（對應的shape：[1，1，1，1]）去做卷積，仍然是一張3×3的feature map，這就相當於每一個畫素點，卷積核都與該畫素點的每一個通道做點積

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.把卷積核擴大，現在用3×3的卷積核做卷積，最後的輸出是一個值，相當於情況2的feature map所有畫素點的值求和

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.使用更大的圖片將情況2的圖片擴大到5×5，仍然是3×3的卷積核，令步長為1，輸出3×3的feature map

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')  

注意我們可以把這種情況看成情況2和情況3的中間狀態，卷積核以步長1滑動遍歷全圖，以下x表示的位置，表示卷積核停留的位置，每停留一個，輸出feature map的一個畫素

1. .....  
2. .xxx.  
3. .xxx.  
4. .xxx.  
5. .....  

5.上面我們一直令引數padding的值為‘VALID’，當其為‘SAME’時，表示卷積核可以停留在影象邊緣，如下，輸出5×5的feature map

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')  

1. xxxxx  
2. xxxxx  
3. xxxxx  
4. xxxxx  
5. xxxxx  

6.如果卷積核有多個

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')  

此時輸出7張5×5的feature map

7.步長不為1的情況，文件裡說了對於圖片，因為只有兩維，通常strides取[1，stride，stride，1]

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')  

此時，輸出7張3×3的feature map

1. x.x.x  
2. .....  
3. x.x.x  
4. .....  
5. x.x.x  

8.如果batch值不為1，同時輸入10張圖

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')  

每張圖，都有7張3×3的feature map，輸出的shape就是[10，3，3，7]

最後，把程式總結一下：

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, 

    相關推薦

    【TensorFlow】tf.nn.conv2d是怎樣實現卷積的？

    文章出處：http://blog.csdn.net/mao_xiao_feng/article/details/53444333 tf.nn.conv2d是TensorFlow裡面實現卷積的函式，參考文件對它的介紹並不是很詳細，實際上這是搭建卷積神經網路比較

    【TensorFlow】tf.nn.conv2d是怎樣實現卷積的？有1*1（1×1）卷積介紹

    除去name引數用以指定該操作的name，與方法有關的一共五個引數： 第一個引數input：指需要做卷積的輸入影象，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片

    【TensorFlow】tf.nn.max_pool實現池化操作

    版權宣告：本文為博主原創文章，轉載請註明出處。    https://blog.csdn.net/mao_xiao_feng/article/details/53453926 max pooling是CNN當中的最大值池化操作，其實用法和卷積很類似 有些地方可以從卷積去參考

    【TensorFlow】tf.nn.conv2d_transpose是怎樣實現反捲積的？

    三個月沒更新了啊，回來更一發～～ csdn上主要講一些coding過程中遇到的函式，問題，解決方案。偏實踐 另外，如果你想看一些理論方面的東西，歡迎加我的知乎知乎主頁 csdn私信幾乎不看，有問題交流可以發郵箱：[email protected]或者知乎私

    【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法

    white 交叉 none padding tomat ros true const cross 在計算loss的時候，最常見的一句話就是 tf.nn.softmax_cross_entropy_with_logits ，那麽它到底是怎麽做的呢？ 首先明確一點，loss是代

    【Tensorflow】tf.nn.separable_conv2d

    【Tensorflow】tf.nn.separable_conv2d實現深度可分卷積   出處：https://blog.csdn.net/mao_xiao_feng/article/details/78002811 實驗環境：tensorflow版本1.2.0，python2

    【Tensorflow】tf.nn.dropout函式

    tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None) 此函式是為了防止在訓練中過擬合的操作，將訓練輸出按一定規則進行變

    Tensorflow】tf.nn.atrous_conv2d如何實現空洞卷積？

    value：  指需要做卷積的輸入影象，要求是一個4維Tensor，具有[batch, height, width, channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 影象通道數] filters： 

    tensorflow隨筆-tf.nn.conv2d卷積運算(2)

    #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Oct 2 13:23:27 2018 @author: myh

    tensorflow隨筆-tf.nn.conv2d卷積運算(3)

    #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Oct 2 13:23:27 2018 @author: myha

    tensorflow隨筆-tf.nn.conv2d卷積運算(5)

    #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Oct 2 13:23:27 2018 @author: myha

    tensorflow隨筆-tf.nn.conv2d卷積運算(1)

    #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Oct 2 13:23:27 2018 @author: myha

    tensorflow隨筆-tf.nn.conv2d卷積運算(10)

    運動模糊 #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Tue Oct 2 13:23:27 2018 @author:

    Tensorflow中tf.nn.conv2d的實現原理

    先解釋一下tf.nn.conv2d函式：tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)：給定一個input的張量[batch,

    【tensorFlow】tf.reshape()報錯信息 - TypeError: Expected binary or unicode string

    bject port cas inpu dimen div nts sof expec 今天在使用tensoflow跑cifar10的CNN分類時候，download一個源碼，但是報錯 TypeError: Failed to convert object of type

    【tensorflow】tf.identity()

    常與tf.control_dependencies(self, control_inputs)配合使用，只有當這個上下文管理器中的是一個操作時，control_inputs才會執行。 x = tf.Variable(0.0) x_plus_1 = tf.assign_add(x, 1)

    【tensorflow】tf.get_variable()和tf.Variable()的區別

    1.tf.Variable() tf.Variable(initial_value, trainable=True, collections=None, validate_shape=True, name=None) ##initial_value為變數的初始值 tf.get

    【Tensorflow】tf.import_graph_def

    tf.import_graph_def tf.import_graph_def(     graph_def,     input_map=None,     return_elements=None,     name=None,     op_dict=None,  

    tensorflow隨筆-tf.nn.conv2d

    基於騰訊雲開發者實驗室 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

    【Tensorflow】tf.app.run() 與 tf.app.flags()

    tf.app.flags tf.app.flags.DEFINE_XXX()用來定義引數項: import tensorflow as tf tf.app.flags.DEFINE_float(