tensorflow简单实现卷积前向过程

卷积，说白了就是对应位置相乘再求和，卷积操作用广泛应用于图像识别，在自然语言处理中也开始应用，用作文本分类问题。

卷积操作最重要的部分就是卷积核或者说过滤器
1、常用过滤器尺寸为3*3或者5*5
2、卷积神经网络中，每个卷基层中过滤器中的参数都是一样的，这样就巨幅减少神经网络的参数
3、边缘可以采用全0填充，或者不进行填充，其结果矩阵略有不同
4、卷积层参数的个数与输入层图片尺寸无关，与深度有关，比如输入层维度32*32*3，卷积层尺寸5*5，深度16，那么这个卷积层的参数个数为：5*5*3*16+16

简单实现代码如下：

#coding:utf-8

import tensorflow as tf 

#设置过滤器
filter_weight = tf.get_variable('weights',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1))#5 5代表过滤器的尺寸，3为当前层的深度，16为过滤器的深度，即输出深度为16
#设置每一个w对应的b
biases = tf.get_variable("basises",[16],initializer=tf.constant_initializer(0.1))#因为上面说了，输出维度为16，所以这里有16个basis
#对输入进行卷积操作（没有加b）
conv = tf.nn.conv2d(input,filter_weight,strides=[1,1,1,1],padding ="SAME" )
#将求得的卷积每一个加上b
bias = tf.nn.bias_add(conv,biases)
#施加激活函数
active_conv = tf.nn.relu(bias)

#添加最大池化层
pool = tf.nn.max_pool(active_conv,ksize = [1,3,3,1],strides = [1,2,2,1],padding = "SAME")