【TensorFlow】tf.nn.conv2d()卷积操作

tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

参数：

• input：输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。
• filter：卷积核，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_weight 为卷积核宽度，in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，out_channel 是卷积核数量。
• strides：卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1
• padding：string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围，"VALID"则不考虑
• use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true
   

实例使用：

# 第一层卷积层，64个卷积核，大小为5*5，3通道（RGB三种颜色通道）
  # 1).定义权重
weight1 = variable_with_weight_losses(shape=[5,5,3,64], stddev=0.05, wl=0.0)
  # 2).卷积操作
kernel1 = tf.nn.conv2d(image_holder, filter=weight1, strides=[1, 1, 1, 1], padding='SAME')
  # 3).定义偏差
bias1 = tf.Variable(tf.constant(0.0, shape=[64]))
  # 4).relu激活函数
conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))
  # 5).最大池化
pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')
  # 6.lrn: 局部响应归一化，可防止过拟合，原理是生物学上的‘侧抑制’，（通俗来讲就是增强强的地方，削弱弱的地方）
  # pool1表示输入数据，4表示使用前后几层进行归一化操作，bias表示偏移量，alpha和beta表示系数
norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001/9.0, beta=0.75)

 

参考博客：

• https://blog.csdn.net/zuolixiangfisher/article/details/80528989