TensorFlow卷机操作

tf.nn.conv2d

计算给定的2-d卷积input和4- d filters张量。

tf.nn.conv2d(
    input, filters, strides, padding, data_format='NHWC', dilations=None, name=None
)

参数	讲解
input	一个Tensor 。一定是以下类型之一： half ， bfloat16 ， float32 ， float64 。至少为4的尺寸顺序是根据的值解释秩的张量data_format ;与所有 - 丁内3个维度作为批次的尺寸。详情请参阅下文。
filters	一个Tensor 。必须具有相同类型input 。形状的4-d张量[filter_height, filter_width, in_channels, out_channels]
strides	int或列表ints ，其具有长度1 ， 2或4 。对于每个维度的滑动窗口的步幅input 。如果一个单一的值被赋予它在复制H和W尺寸。默认情况下， N和C尺寸被设置为1的尺寸顺序由的值确定data_format ，请参阅下面的详细资料。
padding	任一string “SAME"或"VALID"指示填充算法来使用的类型，或指示在每个维度的开始和结束的明确补白名单。当使用显式的衬垫和DATA_FORMAT是"NHWC” ，这应该是在形式[[0, 0], [pad_top, pad_bottom], [pad_left, pad_right], [0, 0]]当使用显式的衬垫和DATA_FORMAT是"NCHW"这应该是在形式[[0, 0], [0, 0], [pad_top, pad_bottom], [pad_left, pad_right]]
data_format	一个可选的string ：从"NHWC", “NCHW"默认为"NHWC” 。指定输入和输出数据的数据格式。与缺省格式“NHWC”时，数据被存储在的顺序： batch_shape + [height, width, channels] 。可替代地，该格式可以是“NCHW”的数据存储顺序为： batch_shape + [channels, height, width] 。
dilations	int或列表ints ，其具有长度1 ， 2或4 ，缺省值为1的扩张因子的每一维input 。如果一个单一的值被赋予它在复制H和W尺寸。默认情况下， N和C尺寸被设定为1。如果设定为k> 1，将有k-1个该维度每个过滤器元件之间跳过细胞。的尺寸顺序由的值确定data_format ，详见上文。在间歇和深度尺寸胀缩如果一个4 d张量必须为1。
name	一种操作（可选）的名称。

tf.nn.conv2d_transpose

转置conv2d

tf.nn.conv2d_transpose(
    input, filters, output_shape, strides, padding='SAME', data_format='NHWC',
    dilations=None, name=None
)

调用实例

import numpy as np
import tensorflow as tf

x_in = np.array([[
  [[2], [1], [2], [0], [1]],
  [[1], [3], [2], [2], [3]],
  [[1], [1], [3], [3], [0]],
  [[2], [2], [0], [1], [1]],
  [[0], [0], [3], [1], [2]], ]])
kernel_in = np.array([
 [ [[2, 0.1]], [[3, 0.2]] ],
 [ [[0, 0.3]],[[1, 0.4]] ], ])
x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)
conv = tf.nn.conv2d(x, kernel, strides=[1, 1, 1, 1], padding='VALID')

init_op=tf.global_variables_initializer()
with tf.Session() as sess:
    init_op.run()
    print(conv)
    print(sess.run(conv))

#结果输出    
'''
Tensor("Conv2D_2:0", shape=(1, 4, 4, 2), dtype=float32)
[[[[10.         1.9      ]
   [10.         2.2      ]
   [ 6.         1.6      ]
   [ 6.         2.       ]]

  [[12.         1.4      ]
   [15.         2.2      ]
   [13.         2.7      ]
   [13.         1.7      ]]

  [[ 7.         1.7      ]
   [11.         1.3000001]
   [16.         1.3      ]
   [ 7.         1.       ]]

  [[10.         0.6      ]
   [ 7.         1.4000001]
   [ 4.         1.5      ]
   [ 7.         1.4      ]]]]
'''   

其他卷积函数：

tf.nn.conv1d(
    input, filters, stride, padding, data_format='NWC', dilations=None, name=None
)

tf.nn.conv1d_transpose(
    input, filters, output_shape, strides, padding='SAME', data_format='NWC',
    dilations=None, name=None
)

tf.nn.conv3d(
    input, filters, strides, padding, data_format='NDHWC', dilations=None, name=None
)

tf.nn.conv3d_transpose(
    input, filters, output_shape, strides, padding='SAME', data_format='NDHWC',
    dilations=None, name=None
)