AI学习之路(21)卷积核的使用

下面的例子,用来学习TF里的卷积。


#python 3.5.3  蔡军生    
#http://edu.csdn.net/course/detail/2592    
#

from __future__ import print_function

import tensorflow as tf

import random
import numpy as np
from collections import deque


#创建权重值变量
def weight_variable(shape):
    #从正态分布截取一段创建随机张量
    initial = tf.truncated_normal(shape, stddev = 0.01)
    return tf.Variable(initial)
#计算卷积
def conv2d(x, W, stride):
    return tf.nn.conv2d(x, W, strides = [1, stride, stride, 1], padding = "SAME")

W_conv1 = weight_variable([8, 8, 4, 32])

input = tf.Variable(tf.random_normal([1, 80,80, 4]))

op = conv2d(input, W_conv1, 4)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

    print("input")
    print(input.eval())
    print("filter")
    print(W_conv1.eval())
    print("result")
    result = sess.run(op)
    print(result.shape)

输出如下:

input
[[[[-0.75959593 -0.29245821  0.29913476 -0.58969516]
   [ 0.34585622  1.95639956  1.93691802  0.23936877]
   [-1.45767927  1.87035477  1.95421958 -0.58059752]
   ..., 
   [ 0.66010189  1.7228421  -0.50714111 -0.99371439]
   [ 0.54870278 -1.90917587 -1.03021431 -0.38929361]
   [ 1.68614316  0.12890777  0.91389596 -0.26422   ]]


  [[-0.19489773 -0.46792817  1.13152015 -0.03436327]
   [-1.36736691 -0.85952419 -1.56716204  1.32439077]
   [-1.83169866 -1.7774471   0.21843086  0.56713474]
   ..., 
   [-0.48919654 -2.07604837  0.12384959 -0.67394024]
   [-1.89448059  1.29232478 -0.87699842  2.01379132]
   [ 0.76763284  0.78964001 -0.84639412 -0.87152237]]


  [[ 0.29286385  1.35906553  1.13340473 -0.58254373]
   [-0.04282144 -0.06012228  1.20965528 -1.81129909]
   [ 0.04830921 -0.12557375  0.59511137  2.27125621]
   ..., 
   [ 1.98413956 -0.16854644  0.23122506 -0.12659575]
   [ 0.53506917 -0.82964444 -0.51333678 -0.36038455]
   [ 2.33704042 -0.49702916 -1.36943221  0.62580931]]


  ..., 
  [[ 1.72903538 -0.01651653  0.77183533  0.62891495]
   [-1.24463677 -0.15464036  0.94621837 -1.9689548 ]
   [-1.55588651  1.67021608 -0.20106983 -1.82275164]
   ..., 
   [ 1.18339717 -0.28582764 -0.24535169  0.87848699]
   [ 0.36568499  1.01214647 -0.33244666 -0.05560951]
   [-1.32925391  0.20822471  0.78785104  0.81199515]]


  [[ 0.88230646  1.23417711  1.03280008 -0.90149862]
   [ 0.37318429 -0.45509821 -1.41555762  1.76657462]
   [ 0.37458709 -0.83865637 -0.28309318  1.47244692]
   ..., 
   [ 0.31887618  0.07360655  0.06051752 -1.62801194]
   [ 0.53736401  1.46523905 -0.33910671 -0.91085833]
   [ 0.60145158 -0.03869497  0.75397676  0.0780198 ]]


  [[-0.0958268   0.28042424  0.19513229 -0.36731976]
   [-0.89700735 -1.15273416 -1.28365171  0.29275537]
   [ 0.82456285  1.05044556 -0.27831313 -1.58069003]
   ..., 
   [ 0.38302851 -0.15576062  0.56443256 -2.58998728]
   [ 0.32636517  1.13287508  0.32233244  0.22961058]
   [ 1.42062569  0.08652402  0.73235202  0.73966426]]]]
filter
[[[[  3.00007942e-03   9.71376058e-03  -3.75660043e-03 ...,
      2.62993877e-03  -6.42223563e-03  -5.54180425e-03]
   [ -2.40676641e-03   8.87554698e-03  -6.00998988e-03 ...,
     -5.25483536e-03   2.64061149e-03  -8.27558339e-03]
   [ -1.94156170e-03   7.91901257e-03  -1.02351969e-02 ...,
      9.43311583e-03  -1.17119041e-03   4.43152152e-03]
   [ -1.62358359e-02   1.07975882e-02   3.95891070e-03 ...,
     -1.73405632e-02  -2.30880966e-03  -1.31996227e-02]]


  [[ -6.04994595e-03  -2.05086055e-03  -1.54170091e-03 ...,
      1.32717034e-02  -1.06894197e-02  -1.40175577e-02]
   [ -1.47875044e-02  -2.78005260e-03  -5.75817237e-03 ...,
     -8.76379199e-03   8.61651544e-03   8.96889344e-03]
   [  3.38024041e-03  -1.02077909e-02   1.14406878e-02 ...,
     -2.48225546e-03  -5.58426976e-03  -1.02159462e-03]
   [  1.47207901e-02  -1.26054836e-02  -3.30542284e-03 ...,
      9.41132940e-03  -3.61327827e-03  -6.06223056e-03]]


  [[  9.15391650e-03  -1.36271231e-02  -1.75921945e-03 ...,
      4.44957474e-03  -1.99371520e-02  -7.62127480e-03]
   [  4.37670108e-03   4.81312023e-03   7.87264295e-03 ...,
     -9.90839116e-03   1.63984206e-02   2.16409171e-04]
   [ -1.35298679e-03   3.80420446e-04   1.00345910e-02 ...,
      9.20332503e-03  -8.10886081e-03  -1.78920000e-03]
   [  1.11978650e-02   7.27403490e-03   1.54682621e-02 ...,
      8.61285534e-03   2.17262120e-03  -5.15445974e-03]]


  ..., 
  [[  1.98203251e-02  -4.14540945e-03  -8.36995710e-03 ...,
      4.86419583e-03  -5.50820166e-03   4.89838282e-03]
   [  9.37080476e-03   1.22986650e-02   1.37323551e-02 ...,
      1.48878461e-02   3.75469157e-04  -1.19242864e-02]
   [  4.25878307e-03  -6.83064340e-03   1.40954042e-03 ...,
     -2.35719886e-03  -1.00424523e-02   6.30909204e-03]
   [ -1.77578460e-02   1.03896996e-02  -3.19095072e-03 ...,
     -2.47654319e-03  -2.14958494e-03  -1.09803258e-02]]


  [[ -7.56192254e-03   1.60486549e-02   6.08917233e-03 ...,
     -7.26303970e-03   7.46214064e-04   7.83735595e-04]
   [  7.11150561e-03  -1.40146445e-03  -1.68163162e-02 ...,
     -7.56724598e-03  -5.99127775e-03  -7.21656345e-03]
   [  5.75512461e-03   8.96439701e-03   5.49860392e-03 ...,
     -7.94189237e-03  -1.15934189e-03   1.15856444e-02]
   [ -7.40204239e-03   1.73700810e-03  -9.24154278e-03 ...,
      7.83592742e-03   3.77062499e-03   4.62604174e-03]]


  [[  1.55584863e-03  -5.42435655e-03   6.75617019e-03 ...,
      1.87558209e-04  -1.29093707e-04  -1.51914833e-02]
   [ -7.43972464e-03  -1.68380179e-02  -1.94695499e-02 ...,
      1.88492611e-02  -5.40511077e-03   7.58669848e-05]
   [ -7.23907910e-03  -9.01167374e-03   2.03165482e-03 ...,
     -4.27219202e-04   2.06220499e-03   6.77495357e-03]
   [  2.36786017e-03  -5.05658891e-03   8.91602039e-03 ...,
      1.94242727e-02   7.66685093e-03   3.46665340e-03]]]




 [[[  6.11687219e-03  -6.63859537e-05  -1.35289514e-02 ...,
     -4.00726887e-04   6.36856258e-03   1.87491681e-02]
   [ -3.61103848e-05  -1.41009362e-03   8.41749646e-03 ...,
      1.50129420e-03  -3.51226144e-03   9.15428507e-04]
   [ -4.10784828e-03   1.35146519e-02  -6.40300009e-03 ...,
      4.62001003e-03  -2.63655488e-03   2.58514588e-03]
   [ -5.85525064e-03  -9.75410570e-04  -5.80404466e-03 ...,
      4.13867703e-04  -2.58400408e-03  -1.12803718e-02]]


  [[  1.45256743e-02   4.12823539e-03  -1.37927430e-02 ...,
     -1.50986379e-02   2.96889455e-03  -7.13121961e-04]
   [ -1.14669949e-02   2.36384082e-03   8.80204048e-03 ...,
      1.82421245e-02  -9.73936985e-04  -5.77342836e-03]
   [ -1.83988857e-04  -8.78673047e-03   9.14782193e-03 ...,
      9.13205463e-03  -6.88758772e-03  -4.71682614e-03]
   [ -1.15960669e-02  -1.30859101e-02   5.29421959e-03 ...,
     -2.32953439e-03   1.58979818e-02  -7.60096218e-03]]


  [[  1.55502511e-02   9.53886565e-03  -7.26542156e-03 ...,
     -1.42889256e-02  -1.42340921e-02   9.69105680e-03]
   [  1.63386464e-02   8.85854650e-04  -1.28923794e-02 ...,
      1.71344765e-02   1.57153811e-02   6.74128858e-03]
   [  1.47881079e-02   1.51871087e-03   6.44684676e-03 ...,
     -6.08864520e-03   1.07848598e-02   6.95412420e-03]
   [ -2.25795526e-03  -4.00226854e-04   6.51486311e-03 ...,
      1.31560024e-02   5.47134550e-03  -2.57035787e-03]]


  ..., 
  [[ -1.79819087e-03  -1.78892119e-03   1.88914721e-03 ...,
     -7.74472114e-03  -6.42716361e-04   1.63893681e-02]
   [  5.84204495e-03  -1.02329487e-03   9.64389474e-04 ...,
      1.62384231e-02   1.55445898e-03   1.18419826e-02]
   [ -8.88544507e-03  -4.88228491e-03   1.55251082e-02 ...,
     -6.18218072e-03   2.89682532e-03  -2.76982458e-03]
   [  9.34921764e-03   6.38682302e-03   5.78045845e-04 ...,
      2.79894855e-04   2.36458285e-03   1.23260058e-02]]


  [[ -1.88281038e-03  -1.40193403e-02   1.69729888e-02 ...,
     -4.21495503e-03  -5.40009188e-03   1.66784984e-03]
   [ -1.41812013e-02   2.25556642e-03   4.46644193e-03 ...,
      5.90185728e-03  -8.02654587e-03  -4.39449307e-03]
   [ -6.79692952e-03  -2.53659859e-03   1.28665315e-02 ...,
      5.59137575e-03   1.19573984e-03   5.77387307e-03]
   [  4.17288532e-03   7.16009783e-03  -1.15771324e-03 ...,
     -2.00803857e-03  -4.78019472e-03  -7.38062244e-03]]


  [[  2.43865047e-03  -1.54857729e-02   4.54236753e-03 ...,
      9.94122354e-04   2.82791001e-03  -5.62586496e-03]
   [ -1.08946795e-02  -1.95787824e-03  -4.12168168e-03 ...,
      7.52358977e-03   1.10242199e-02   6.32930081e-03]
   [  1.60507625e-04   1.35741727e-02   4.27424675e-04 ...,
      1.04707526e-02  -1.56403752e-03   4.76881303e-03]
   [  8.96469632e-04   9.06045362e-03   8.46664142e-03 ...,
      5.61749213e-04  -3.98218492e-03  -3.02065583e-03]]]




 [[[ -9.13953222e-03  -9.54977237e-03   9.42432322e-03 ...,
     -8.08306446e-04  -5.22249332e-03  -1.26366066e-02]
   [ -9.62896459e-03   9.53393057e-03   5.55291446e-03 ...,
     -3.52414930e-03  -3.69942840e-03   2.27983051e-04]
   [  6.37246668e-03   1.77969155e-03   1.16202114e-02 ...,
     -1.09625375e-02   9.79185663e-03  -1.20606471e-03]
   [ -1.09461229e-02   2.70510488e-03   3.39853903e-03 ...,
     -8.39185843e-04   1.36510469e-03  -1.27927084e-02]]


  [[ -7.39970291e-03   3.47902556e-03   1.21764736e-02 ...,
      2.20953254e-03  -5.48434677e-03   4.26746253e-03]
   [ -5.60281985e-03  -4.71473718e-03  -5.58469794e-04 ...,
      6.80459803e-03  -8.14224710e-04   1.34124868e-02]
   [  3.97557253e-03  -1.82877593e-02  -2.27272906e-03 ...,
     -6.55829767e-03  -1.13679701e-02   2.71158060e-03]
   [  1.11353584e-02  -1.39943063e-02   3.02953413e-04 ...,
      1.29299415e-02   1.61338300e-02   1.15240747e-02]]


  [[ -1.09209465e-02   4.32800874e-03   3.48686706e-03 ...,
      7.87978433e-03  -1.09001203e-03   2.22385861e-03]
   [ -1.78389046e-02   1.44952890e-02   4.22728900e-03 ...,
     -2.80548842e-03   5.86079713e-03  -4.33447538e-03]
   [  7.22493371e-03  -3.28900199e-03   2.97767506e-03 ...,
     -7.33591430e-03  -2.68325652e-03  -1.04447864e-02]
   [  3.46827204e-03   9.69921704e-03   1.90979354e-02 ...,
      8.48979049e-04   1.52756553e-02   5.62393107e-03]]


  ..., 
  [[ -1.00959407e-03  -6.05904683e-03  -5.16680907e-03 ...,
      5.30867931e-03   1.82881823e-03  -7.60542555e-03]
   [  5.66314207e-03  -3.57615110e-03   9.48269200e-03 ...,
     -2.54013855e-03   7.19599135e-04  -2.83056614e-03]
   [ -6.75720628e-03  -1.79765373e-03   6.13478757e-03 ...,
      7.68553605e-03  -4.21647308e-03  -9.30322742e-04]
   [ -1.23914946e-02   1.63785438e-03   6.31998293e-03 ...,
     -1.23763375e-03   5.99964010e-03  -5.87447919e-03]]


  [[ -1.03935460e-03  -1.14352966e-03   3.63161252e-03 ...,
     -2.00637477e-03  -7.07699824e-03   1.06763346e-02]
   [ -3.80461477e-03  -9.58300289e-03  -7.48093706e-03 ...,
     -9.69512202e-03   1.54165607e-02  -1.15293832e-02]
   [ -1.35026034e-03  -6.67368760e-03  -1.78536605e-02 ...,
      9.86581389e-03   2.73247645e-03  -7.67263165e-03]
   [ -1.99921220e-03  -8.12143181e-03  -1.70368496e-02 ...,
     -4.61867219e-03  -3.39276134e-03  -1.29239056e-02]]


  [[  7.50367250e-03   4.34071431e-03   4.64464631e-03 ...,
     -9.67256445e-03  -8.50756373e-03  -1.21237133e-02]
   [ -1.70632657e-02   1.25379022e-03   4.96910000e-03 ...,
     -3.23474430e-03   3.51034687e-03   8.40286072e-03]
   [  1.81564258e-03   2.60567665e-03   3.98225058e-03 ...,
     -1.05556818e-02  -4.28553484e-03  -3.71871213e-03]
   [ -1.77170541e-02  -1.34345598e-03  -3.40813398e-03 ...,
     -1.50238839e-03   1.85283762e-03   2.10839650e-03]]]




 ..., 
 [[[  3.77578405e-03  -1.17151244e-02  -1.17337490e-02 ...,
     -1.27714155e-02  -4.70451778e-03  -4.50517097e-03]
   [ -8.87652219e-04   1.26913527e-03   8.62030499e-03 ...,
      2.64505879e-03  -2.90184398e-03  -1.59000990e-03]
   [  9.87472665e-03  -3.04078939e-03  -1.22307725e-02 ...,
     -1.40262088e-02   2.68222764e-03   1.78741349e-03]
   [ -2.09679664e-03   6.30749110e-03   1.31611638e-02 ...,
      8.17183871e-03  -5.59358578e-03  -1.26660680e-02]]


  [[ -4.16528317e-04   2.58527091e-03   8.29325151e-03 ...,
     -1.71689154e-03   1.16320997e-02   5.12297777e-03]
   [  1.51718650e-02   1.06124231e-03  -5.18939551e-03 ...,
      9.65163764e-03   3.04711726e-03   3.45664145e-03]
   [  1.63030485e-03  -1.58163477e-02  -1.72192324e-02 ...,
     -1.77625031e-03  -3.42201791e-03  -3.71108740e-03]
   [  6.93047373e-03  -7.31628505e-04   7.95990054e-04 ...,
     -7.21164141e-03  -4.60457150e-03   1.47841626e-03]]


  [[  3.96986259e-03   1.20621854e-02   1.17000809e-03 ...,
      2.33377912e-03  -1.52790220e-04  -1.33478241e-02]
   [ -1.73511487e-02  -1.32621196e-03  -9.15958360e-03 ...,
      1.63936969e-02  -5.46736643e-03  -9.02686734e-03]
   [ -7.91313313e-03   7.30174128e-03   6.29544491e-03 ...,
     -1.02589512e-02  -1.06100058e-02  -1.59109663e-02]
   [  1.27280839e-02   1.25987316e-03   5.85699826e-03 ...,
      1.20061787e-03   1.51177403e-03   2.03999272e-03]]


  ..., 
  [[  4.47637634e-03   8.37723166e-03   7.29249368e-05 ...,
      4.11788980e-03   6.94916211e-03   1.13817556e-02]
   [  1.95736587e-02   1.72501709e-02  -5.98115614e-03 ...,
     -2.36025732e-03   1.08312843e-02   2.05789483e-03]
   [ -9.21058375e-03  -1.58653576e-02  -2.30774959e-03 ...,
     -8.63564387e-03   6.41058665e-03  -1.68667326e-03]
   [ -3.19295470e-03   1.08707324e-03   1.75946450e-03 ...,
     -2.71554687e-04  -4.46755206e-03  -9.93948523e-03]]


  [[  2.50624050e-03   6.25845371e-03   2.13094009e-03 ...,
     -8.03405885e-03   6.91842288e-03   8.69222265e-03]
   [ -1.72873791e-02  -8.04682821e-03  -1.22751975e-02 ...,
      1.53377990e-03  -1.11654243e-02   3.16734239e-03]
   [ -8.96567944e-03  -1.76951531e-02  -4.20043292e-03 ...,
     -6.32401556e-03   8.50261562e-03   5.94340591e-03]
   [  1.29729612e-02  -7.88254943e-03  -3.75725119e-03 ...,
     -1.03224013e-02   8.55385792e-03  -1.42995529e-02]]


  [[  8.08915868e-03   1.71225378e-03  -8.51554237e-03 ...,
      6.78655319e-03   1.79430842e-03  -1.76998097e-02]
   [  2.42677215e-03  -4.90315678e-03   7.51596090e-05 ...,
      1.58883575e-02  -7.08496803e-03   5.21307578e-03]
   [ -8.59675556e-03  -5.18544950e-03   8.02840944e-03 ...,
      3.27333086e-03   6.51651621e-03  -4.68811393e-03]
   [  1.18068820e-02   4.12849244e-03   1.07603325e-02 ...,
     -3.39323515e-03   6.92500093e-04  -1.23352706e-02]]]




 [[[  1.19995396e-03  -2.72244448e-03   1.44974387e-03 ...,
      5.35141956e-03  -7.28427572e-03  -3.88616975e-03]
   [  6.95192069e-03   1.46693951e-02   6.27810927e-03 ...,
      1.70589872e-02  -1.53781637e-03  -1.96307283e-02]
   [ -1.38646634e-02   3.92481172e-03  -5.11322962e-03 ...,
     -1.60485394e-02   3.68602620e-03   8.22250731e-03]
   [  9.86253750e-03  -2.89325207e-03  -5.77824248e-04 ...,
     -1.47238309e-02   3.75468843e-03   4.97526629e-03]]


  [[  3.44501878e-03  -1.21385762e-02   1.73182264e-02 ...,
     -1.24176424e-02   7.45287805e-04  -5.69248619e-03]
   [  1.13572264e-02  -1.25517021e-03  -1.78435445e-02 ...,
      4.83407732e-03   1.41492970e-02   4.26588394e-03]
   [  1.26669919e-02   1.22576756e-02  -4.43834951e-03 ...,
      1.42879216e-02   2.22333148e-03  -7.86734652e-03]
   [  8.41803290e-03  -4.46881354e-03  -5.72718866e-03 ...,
      9.70370416e-03  -7.06626242e-03  -8.15630704e-03]]


  [[  6.42332854e-03  -1.35478359e-02  -2.03712215e-03 ...,
      5.16444445e-03   1.73415372e-03  -5.11347875e-03]
   [ -7.18866847e-03   1.46280248e-02  -7.52580725e-03 ...,
      9.48677771e-03   8.23402032e-03  -7.27658917e-04]
   [  2.45697401e-03  -5.40884351e-03   3.96076078e-03 ...,
      7.86725618e-03   4.83556418e-04  -8.54299963e-03]
   [  2.42158843e-04  -9.52904951e-03  -4.21097223e-03 ...,
     -1.71346609e-02   3.09452089e-03  -3.54739209e-03]]


  ..., 
  [[  9.70036164e-03  -1.24330688e-02  -1.79386493e-02 ...,
      8.86946730e-03   8.28804262e-03  -1.24759423e-02]
   [  6.83827046e-03   7.83118012e-04   7.57169793e-04 ...,
      1.02597084e-02  -1.82593707e-02  -6.53501693e-03]
   [  1.75432395e-02  -3.68485088e-03   1.36264237e-02 ...,
     -5.22715319e-03   1.10600358e-02   4.10388177e-03]
   [ -1.65730692e-03   1.00086136e-02   1.66716520e-02 ...,
     -4.50454373e-03  -3.39937792e-03   7.10375374e-03]]


  [[ -1.11249955e-02   8.57044291e-03   4.15671477e-03 ...,
     -2.84847128e-03   1.34502007e-02   4.30555455e-03]
   [ -1.91973371e-03   1.30384893e-03  -1.07809100e-02 ...,
     -1.15933479e-03   3.26401903e-03   1.32417865e-03]
   [ -2.41787382e-03   6.53859647e-03  -1.35731418e-02 ...,
     -7.10594642e-04  -2.95945629e-03   1.88197624e-02]
   [  1.53703149e-03   1.02264201e-02   3.14954505e-03 ...,
      5.52859902e-03   7.98812695e-03  -3.13238939e-03]]


  [[  1.79357901e-02  -4.04689647e-03  -6.98695425e-03 ...,
      4.26500244e-03  -1.26251196e-02   7.67437043e-03]
   [  8.51036888e-03  -7.45513616e-03  -1.85876898e-02 ...,
     -4.94568143e-03  -6.08692924e-03  -1.22486299e-03]
   [ -1.82924396e-03  -1.26519734e-02  -1.44427093e-02 ...,
      9.15163103e-03  -7.52575323e-03  -5.70873776e-03]
   [ -9.46960691e-03   4.38189367e-03  -1.35700814e-02 ...,
      1.91827100e-02  -1.81669760e-02   1.58452448e-02]]]




 [[[  1.81646249e-03  -1.63779203e-02   1.51218837e-02 ...,
     -1.54761865e-03  -6.59517385e-03  -8.45551770e-03]
   [  8.58449028e-04   1.41580170e-02   2.73980113e-04 ...,
     -3.44407069e-03   1.38087687e-03   2.87481025e-03]
   [ -8.78402148e-04  -7.46576302e-03   5.03308466e-03 ...,
      4.68928274e-03   1.53222270e-02   1.10580940e-02]
   [ -6.85927970e-03   4.92568081e-03  -4.34953161e-03 ...,
      8.88267590e-04  -4.50613396e-03   4.09117341e-03]]


  [[ -6.18116977e-03  -1.59069113e-02  -7.52608990e-04 ...,
      1.24492366e-02   1.11989500e-02  -5.56820491e-03]
   [  4.84162988e-03   3.72527912e-03  -1.33520318e-02 ...,
     -1.19854009e-03  -2.50031427e-03  -8.37458484e-03]
   [  2.21888558e-03  -9.96493828e-03  -7.70727685e-03 ...,
      6.63950620e-03   9.46891960e-03  -5.47051837e-04]
   [  9.22501739e-03   6.59203297e-03  -1.55725644e-03 ...,
      6.80300407e-03   1.21436985e-02  -5.36001660e-03]]


  [[  8.68412107e-03  -1.15044415e-02  -7.72084517e-04 ...,
     -1.11891329e-03  -4.68848826e-04   8.27770308e-03]
   [  1.81205738e-02   2.84991250e-03  -4.55604261e-03 ...,
     -5.88407600e-03   3.42199462e-03   4.80374973e-03]
   [  1.50566194e-02   1.41639374e-02   1.01902699e-02 ...,
      1.58608868e-03  -9.30583756e-03   3.17990081e-03]
   [  4.51297872e-03  -7.19440309e-03  -1.64356101e-02 ...,
     -3.93084390e-03  -2.34686164e-03   1.00926515e-02]]


  ..., 
  [[  1.53984660e-02  -9.42578632e-03  -1.01753892e-02 ...,
      2.52780993e-03   1.14476234e-02  -7.34557351e-03]
   [  8.93641170e-03   1.92135002e-03   5.62233990e-03 ...,
      1.71423273e-03  -9.58998874e-03   1.54512478e-02]
   [ -5.34349214e-03  -1.08165359e-02   4.08454519e-03 ...,
      6.28674496e-03   5.78279467e-03  -2.33871303e-03]
   [ -9.87917371e-03  -3.09077580e-03   2.97268596e-03 ...,
     -1.08030876e-02   1.73750203e-02  -7.59034324e-03]]


  [[ -4.62406874e-03   6.12915633e-03   1.20197218e-02 ...,
      4.61822422e-03   1.29732937e-02  -7.33989570e-03]
   [  1.79837290e-02  -9.82648460e-04   1.52045107e-02 ...,
      7.51522603e-03  -8.28924589e-03  -1.17789870e-02]
   [  1.72750242e-02  -2.54045473e-03   4.12256038e-03 ...,
      5.93557535e-03  -1.42928977e-02   2.49847234e-03]
   [ -2.16406048e-03   3.21833719e-03   1.94579607e-03 ...,
     -8.31611361e-03   3.70617094e-03   1.67894736e-03]]


  [[  5.50185610e-03   1.78712420e-02  -9.72529221e-03 ...,
      6.22910261e-03  -1.06216008e-02   7.68991932e-03]
   [ -9.59789101e-03  -4.47024917e-03   6.92878524e-03 ...,
      4.21054428e-03  -9.94080305e-03   4.53087298e-04]
   [ -7.01631419e-03  -1.53086139e-02  -4.62603569e-03 ...,
      1.80296283e-02  -9.41624772e-03   6.52755843e-03]
   [  4.10397956e-03   2.10542209e-03  -1.08679999e-02 ...,
     -2.90733529e-03   5.43482881e-03   6.06057374e-03]]]]
result
(1, 20, 20, 32)
>>> 


1. TensorFlow入门基本教程

2. C++标准模板库从入门到精通 

3.跟老菜鸟学C++

4. 跟老菜鸟学python

5. 在VC2015里学会使用tinyxml库

6. 在Windows下SVN的版本管理与实战 

 http://edu.csdn.net/course/detail/2579

7.Visual Studio 2015开发C++程序的基本使用 

http://edu.csdn.net/course/detail/2570

8.在VC2015里使用protobuf协议

9.在VC2015里学会使用MySQL数据库


  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: 深度学习是一种以模型来了解数据的机器学习技术,它利用多层神经网络来学习复杂的数据,从而实现自动的特征提取和分类等功能。卷积神经网络是一种深度学习技术,它利用卷积运算来学习图像和视频信息,实现对图像和视频的自动分析、识别和分类等功能。 ### 回答2: 深度学习人工智能领域中的一种学习方法,旨在模拟人脑神经网络的工作原理。它通过建立多层的神经网络结构,利用大量数据进行训练,自动提取和学习特征,从而实现对复杂数据的分析和处理。深度学习的目标是通过不断优化网络结构和参数,使得网络能够自动地从数据中学习到更加高层次、抽象的特征表示。 而卷积神经网络(Convolutional Neural Network,CNN)是深度学习中的一种重要网络结构。CNN主要用于处理具有网格结构的数据,例如图像、视频等。它通过卷积操作和池化操作,对输入数据进行特征提取和降维处理。卷积操作通过滑动的卷积核对数据进行卷积运算得到感知层,用于提取局部特征。而池化操作则通过降采样的方式减少数据维度,提高计算效率。 卷积神经网络的优势主要体现在以下几个方面:首先,卷积操作使得网络能够有效地利用输入数据的空间结构信息,从而减少参数数量,提高网络的泛化能力;其次,卷积神经网络通过多层结构,逐渐提取抽象的特征表示,能够处理具有复杂结构和高维度的数据;最后,卷积神经网络在图像识别、目标检测、语音识别等任务上表现出色,并在多个领域取得了重大突破。 总的来说,深度学习是一种模拟人脑神经网络的学习方法,通过建立多层网络结构从数据中获取高层次、抽象的特征表示。而卷积神经网络作为深度学习中的一种网络结构,在处理具有网格结构数据时具有重要作用,通过卷积和池化操作能够从图像等数据中提取特征、降维处理,广泛应用于图像识别、目标检测等领域。 ### 回答3: 深度学习是一种机器学习的方法,通过多层次的神经网络来学习和提取数据的特征。它模拟了人脑中神经元之间的信息传递和处理过程,具有优秀的自适应能力和泛化能力。 深度学习的核心是神经网络,而卷积神经网络(Convolutional Neural Network, CNN)是深度学习中的一类神经网络结构。它专门应用于处理图像和语音等具有结构化数据的任务。 卷积神经网络的特点是层次化的结构,通常由输入层、卷积层、池化层和全连接层等组成。其中,卷积层通过卷积操作对输入图像进行特征提取,可以捕捉到不同位置的局部特征。而池化层则通过降采样的方式减少计算量,提高特征的不变性。 卷积神经网络通过反向传播算法进行训练,不断调整网络参数以使得网络输出与真实标签之间的误差最小化。训练过程中需要大量的标注数据和计算资源,但是在训练完成后,卷积神经网络可以快速地对新的输入进行预测。 深度学习和卷积神经网络在计算机视觉领域取得了很大的成功,例如图像分类、目标检测、人脸识别等任务。它们不仅可以自动地提取出图像中的关键特征,还可以学习到更加复杂的特征表示。此外,深度学习和卷积神经网络也在自然语言处理、语音识别等领域得到广泛应用。 尽管深度学习和卷积神经网络在很多任务上表现出色,但是其模型复杂度高、计算资源需求大,且对标注数据的依赖程度较高。因此,研究者们一直在努力寻求更高效的算法和更好的架构来解决这些问题,以进一步提升深度学习和卷积神经网络的性能和应用范围。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

caimouse

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值