Tensorflow学习笔记-卷积神经网络

1、过滤器参数与过滤器的长度*宽度*当前层深度*过滤器深度相关，与当前层的长度、宽度无关

2、卷积层共享过滤器，过滤器从左上角移动到右下角，都是使用的相同过滤器，如果当前层深度不为1，比如为2，则每一个深度对应一个过滤器。conv2d的结果是对应对应深度的和。如INPUT1*FILTER1+INPUT2*FILTER2,注意这里的*是表示点积

3、池化层一般只有【1，2，2，1】，【1，3，3，1】，且第一项和第四项必须为1，所以，池化层不会增加原来的矩阵深度

4、卷积层过滤器只在宽度和深度上移动，不会在深度上移动，即卷积层的输入如果深度大于1，则过滤器会将输入的长宽上过滤器作用后的值累加，作为卷积层在当前过滤器位置的输出。池化层除了在宽度和深度上移动，还会在输入的深度上移动。

5、多维度数据技巧，如果要看两个维度的数据，从右往左，最右边的数据是行数据，左边是列数据，或者通过程序打印出来，比如

print(v1[0][0][0][0],v1[0][0][1][0],v1[0][0][2][0])

print(v1[0][1][0][0], v1[0][1][1][0], v1[0][1][2][0])

print(v1[0][2][0][0], v1[0][2][1][0], v1[0][2][2][0])

把数据按照矩阵方式打印出来

6、conv2d函数的参数padding='SAME'时补0的方式要注意，如果步长为2，在左边和上面补0，如果是步长为3，先在左边和上面补0，然后在右边和下面补0，补0次数=步长数-1

7、卷积神经网络通过卷积层后，不过是补0，长度和宽度只与步长有关系，比如长度=补0后的长度/步长，如果没补0，则长度和宽度与过滤器长度和宽度有关，比如长度=（长度-过滤器长度+1）/ 步长