tensorflow之conv2d

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

第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一，其中图像通道数：比如rgb24图像，通道数为3

第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4

第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，这个输出，就是我们常说的feature map，shape仍然是[batch, height, width, channels]这种形式。
---------------------
举个例子：

input = tf.Variable(tf.random_normal([1,10,10,5])) 
filter = tf.Variable(tf.random_normal([3,3,5,1]))

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding ='VALID')
print(op)

输出：

 strides参数因为只有两维，通常strides取[1，stride，stride，1]

修改为2试一下效果

input = tf.Variable(tf.random_normal([1,10,10,5])) 
filter = tf.Variable(tf.random_normal([3,3,5,1]))

op = tf.nn.conv2d(input,filter,strides=[1,2,1,1],padding ='VALID')
print(op)

输出：

*****************************上一个完整的卷积池化的例子**********************

import tensorflow as tf
import os
import numpy as np
import sys
import io
import cv2 as cv

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
input = tf.Variable(tf.random_normal([1,28,28,1])) 
filter = tf.Variable(tf.random_normal([5,5,1,32]))
filter2 = tf.Variable(tf.random_normal([5,5,32,64]))
op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding ='SAME')
print(op)
op = tf.nn.max_pool(op,ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],padding ='SAME')
print(op)
op = tf.nn.conv2d(op,filter2,strides=[1,1,1,1],padding ='SAME')
print(op)
op = tf.nn.max_pool(op,ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],padding ='SAME')
print(op)

 输出如下：