方法定義
tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
參數(shù)：
input : 輸入的要做卷積的圖片，要求為一個(gè)張量，shape為 [ batch, in_height, in_weight, in_channel ]，其中batch為圖片的數(shù)量，in_height 為圖片高度，in_weight 為圖片寬度，in_channel 為圖片的通道數(shù)，灰度圖該值為1，彩色圖為3。（也可以用其它值，但是具體含義不是很理解）
filter： 卷積核，要求也是一個(gè)張量，shape為 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 為卷積核高度，filter_weight 為卷積核寬度，in_channel 是圖像通道數(shù) ，和 input 的 in_channel 要保持一致，out_channel 是卷積核數(shù)量。
strides： 卷積時(shí)在圖像每一維的步長，這是一個(gè)一維的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必須是1
padding： string類型，值為“SAME” 和 “VALID”，表示的是卷積的形式，是否考慮邊界。"SAME"是考慮邊界，不足的時(shí)候用0去填充周圍，"VALID"則不考慮
use_cudnn_on_gpu： bool類型，是否使用cudnn加速，默認(rèn)為true
import tensorflow as tf
# case 1
# 輸入是1張 3*3 大小的圖片，圖像通道數(shù)是5，卷積核是 1*1 大小，數(shù)量是1
# 步長是[1,1,1,1]最后得到一個(gè) 3*3 的feature map
# 1張圖最后輸出就是一個(gè) shape為[1,3,3,1] 的張量
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([1,1,5,1]))
op1 = tf.nn.conv2d(input, filter, strides=[1,1,1,1], padding='SAME')
# case 2
# 輸入是1張 3*3 大小的圖片，圖像通道數(shù)是5，卷積核是 2*2 大小，數(shù)量是1
# 步長是[1,1,1,1]最后得到一個(gè) 3*3 的feature map
# 1張圖最后輸出就是一個(gè) shape為[1,3,3,1] 的張量
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([2,2,5,1]))
op2 = tf.nn.conv2d(input, filter, strides=[1,1,1,1], padding='SAME')
# case 3
# 輸入是1張 3*3 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是1
# 步長是[1,1,1,1]最后得到一個(gè) 1*1 的feature map (不考慮邊界)
# 1張圖最后輸出就是一個(gè) shape為[1,1,1,1] 的張量
input = tf.Variable(tf.random_normal([1,3,3,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op3 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
# case 4
# 輸入是1張 5*5 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是1
# 步長是[1,1,1,1]最后得到一個(gè) 3*3 的feature map (不考慮邊界)
# 1張圖最后輸出就是一個(gè) shape為[1,3,3,1] 的張量
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op4 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
# case 5
# 輸入是1張 5*5 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是1
# 步長是[1,1,1,1]最后得到一個(gè) 5*5 的feature map (考慮邊界)
# 1張圖最后輸出就是一個(gè) shape為[1,5,5,1] 的張量
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,1]))
op5 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
# case 6
# 輸入是1張 5*5 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是7
# 步長是[1,1,1,1]最后得到一個(gè) 5*5 的feature map (考慮邊界)
# 1張圖最后輸出就是一個(gè) shape為[1,5,5,7] 的張量
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op6 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')
# case 7
# 輸入是1張 5*5 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是7
# 步長是[1,2,2,1]最后得到7個(gè) 3*3 的feature map (考慮邊界)
# 1張圖最后輸出就是一個(gè) shape為[1,3,3,7] 的張量
input = tf.Variable(tf.random_normal([1,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op7 = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')
# case 8
# 輸入是10 張 5*5 大小的圖片，圖像通道數(shù)是5，卷積核是 3*3 大小，數(shù)量是7
# 步長是[1,2,2,1]最后每張圖得到7個(gè) 3*3 的feature map (考慮邊界)
# 10張圖最后輸出就是一個(gè) shape為[10,3,3,7] 的張量
input = tf.Variable(tf.random_normal([10,5,5,5]))
filter = tf.Variable(tf.random_normal([3,3,5,7]))
op8 = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print('*' * 20 + ' op1 ' + '*' * 20)
print(sess.run(op1))
print('*' * 20 + ' op2 ' + '*' * 20)
print(sess.run(op2))
print('*' * 20 + ' op3 ' + '*' * 20)
print(sess.run(op3))
print('*' * 20 + ' op4 ' + '*' * 20)
print(sess.run(op4))
print('*' * 20 + ' op5 ' + '*' * 20)
print(sess.run(op5))
print('*' * 20 + ' op6 ' + '*' * 20)
print(sess.run(op6))
print('*' * 20 + ' op7 ' + '*' * 20)
print(sess.run(op7))
print('*' * 20 + ' op8 ' + '*' * 20)
print(sess.run(op8))
————————————————
版權(quán)聲明：本文為CSDN博主「左理想fisher」的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/zuolixiangfisher/article/details/80528989
