TensorFlow 卷積con2d函式的使用

tensorflow 提供了一系列能夠進行卷積運算的函式,這裡介紹一下 conv2d() 函式 。

conv2d() 函式的原型 : 

# conv2d(input,filter,strides,padding,use_cudnn_on_gpu,data_format,name)

input 的形狀：[batch, in_height ,in_width, in_channels]  , 長度為4 的列表.

batch:樣本的數量 

in_height：每個樣本的行數 , 或者影象的高

in_width：每個樣本的列數  , 或者影象的寬

in_channels：每個樣本的通道數，如果是rgb影象就是3  ,如果是黑白影象 就是 1 . 

filter 的形狀：[filter_height, filter_width, in_channels, out_channels] 

filter_height：卷積核的高 

filter_width：卷積核的寬 

in_channels：輸入的通道數 

out_channels：輸出的通道數 

[1,stride_h,stride_w,1]步長，即卷積核每次移動的步長

(列表的第乙個數字和第四個數字一般為1 ,這是因為卷積層的步長支隊矩陣的長和寬有效)

padding：填充模式取值，只能為」same」或」valid」

當設定 padding為 'same'時表示新增 0 填充 ,為 'valid' 時表示不新增0填充

2-100

-1300

-21-14

0-20-3

4000

000

(填充0 之後)  -14

21左邊是輸入資料, 右邊是卷積核 (2x2)

import tensorflow as tf

import numpy as np
m = np.array([[[2],[1],[2],[-1]], [[0],[-1],[3],[0]]
,[[2],[1],[-1],[4]],[[-2],[0],[-3],[4]]],dtype=np.float32).reshape(1,4,4,1)
print(m ,m.shape)
# filter的形狀：[filter_height, filter_width, in_channels, out_channels]
filter_weight = tf.get_variable("weights",[2,2,1,1],initializer=tf.constant_initializer([[-1,4],[2,1]]))
biases = tf.get_variable("biases",[1],initializer=tf.constant_initializer(1))
x = tf.placeholder(tf.float32,[1,none,none,1])
conv = tf.nn.conv2d(x,filter_weight,strides=[1,1,1,1],padding="same")
add_bias = tf.nn.bias_add(conv,biases)
init_op = tf.global_variables_initializer()
with tf.session() as sess:
init_op.run()
m_conv = sess.run(add_bias,feed_dict=)
print("m after convolution : \n" ,m_conv)
m after convolution : 
[[[[ 2.]
[ 9.]
[ 1.]
[ 2.]]
[[ 2.]
[ 15.]
[ 0.]
[ 9.]]
[[ -1.]
[ -7.]
[ 16.]
[ 5.]]
[[ 3.]
[-11.]
[ 20.]
[ -3.]]]]

1.如果計算方式採用'valid'，則：

其中2.如果計算方式採用'same'，輸出特徵圖的大小與輸入特徵圖的大小保持不變，

其中padding為特徵圖填充的圈數。

若採用'same'方式，kernel_size=1時，padding=0；kernel_size=3時，padding=1；kernel_size=5時，padding=2，以此類推。

tensorflow 卷積 設定特定卷積核

映象問題 pytorch 自定義卷積核進行卷積 卷積核訂製 有時想用tensorflow的conv2d的卷積操作，實現一些特定的濾波操作，如patch求和 計算梯度等，這時可以通過設計特定的卷積核來實現功能。先看tf.nn.conv2d的各個引數 tf.nn.conv2d input,filter,...

Tensorflow卷積介面總結

這個介面用了這麼久，每次都有點迷惑，這裡做下總結。filter 卷積核引數，shape為 kernel height,kernel width,in channels,out channels 第三維與input的第四維對應，第四維決定了卷積核的個數 stride 步長，一維向量，4個值，其中 0 ...

tensorflow實現卷積與反卷積自編碼框架

從dcgan中了解到了反卷積的操作，所以我本來打算能通過卷積操作作為編碼器將一幀影象轉換為乙個20維的向量，而後再通過反卷積實現解碼功能從而達到影象恢復效果，先把程式貼上，後續有空再調整網路層數和引數吧 from tensorflow.examples.tutorials.mnist import ...