Tensorflow(r1.4)API--tf.nn.conv2d详解

(一)函数简介

conv2d(input,filter,strides,padding,use_cudnn_on=True,data_format='NHWC',name=None)

1.参数：

• input:一个half或者float32类型的tensor,shape为4-D,[batches,filter_height,filter_width,in_channels],[训练时一组图片的数量，图片高度，图片宽度,图像通道数1]，
• filter: 相当于CNN中的卷积核， 必须和input同类型，一个4-D的tensor,[filter_height,filter_width,in_channels,out_channels],in_channels同input中的in_channels,
• strides： 长度为4的1-D的tensor,卷积时在input tensor上每一维的步长。
• padding: 一个字符串，SAME或者VALID,卷积的类型，决定是否包含边,其值为SAME时卷积核可以包含边，但会涉及图片的边界扩充的问题，后面解释。
• use_cudnn_on_gpu: 布尔值，决定是否使用GPU加速。
• data_format: 一个字符串，为“NHWC”或者“NCHW”，缺省值为“NHWC”，说明输入输出数据的格式。
• name: op的名字
  

  ---

(二)用法：

1.计算

• 根据指定的4-Dinput和filtertensors计算2-D的卷积,输入tensor的shape为,
[batch,in_height,in_width,in_channels]
,卷积核的shape为,
  [filter_height,filter_width,in_channels,out_channels]
  计算过程如下：
  
  • 把filter转换成shape为
    [filter_height*filter_width*inchannels,output_channels]的2-D的矩阵
  • 将输入tensor中的图像组转码成virtual tensor,此tensor的shape为[batch,out_height,out_width,filter_height*filter_width*in_channels].
  • 将上述两矩阵相乘，virtual tensor*2-D filter.
  • 返回值是一个4-D的tensor.

2.图像卷积

(1)概述

卷积操作使用2-D滤波器在一组图像上进行扫描，将滤波器应用到每个适当大小的图像的窗口上3。不同的卷积操作在泛型和特殊的滤波器中进行选择:
- conv2d:可以混合通道的任意滤波器。
- depthwise_conv2d:分别在每个通道上独立进行卷积的滤波器。
- separable_conv2d:深度空间滤波器，配合逐点滤波器使用。

(2)padding参数与输出feature map的大小

先不考虑通道数，假设4-D的input tensor的shape为[batch,in_height,in_width,...],4-D的filter的shape为[filter_height,filter_width,...],卷积操作的空间特性取决图像的扩充方案，也就是padding参数的取值是SAME还是VALID,图像扩充的值都是0.

— padding=SAME
关于此的详细资料见2.这里只简单总结一下这种扩充方案的机制。padding的值为SAME时，输出特征图的宽和高计算方式如下：

out_height = cell(float(in_height)/ float(strides[1]))
out_width = ceil(float(in_width) / float(strides[2]))

在输入图像的宽度和高度方向的整体扩充方式如下：

if (in_height % strides[1] == 0):
    pad_along_height = max(filter_height - strides[1], 0)
else:
  pad_along_height = max(filter_height - (in_height % strides[1]), 0)
if (in_width % strides[2] == 0):
    pad_along_width = max(filter_width - strides[2], 0)
else:
    pad_along_width = max(filter_width - (in_width % strides[2]), 0)

写成表达式为：

pi={max(k−s,0)              , if(ni mod s==0)max(k−(nimod s),0), if( ni mod s ≠ 0)

$$p_i=\{^{max(k-s,0)\ \ \ \ \ \ \ \ \ \ \ \ \ \ ,\ if(n_i\ mod\ s==0) }_{max(k-(n_{i}mod\ s),0),\ if(\ n_i\ mod\ s\ \neq\ 0) }$$

• $p_i$:需要扩充的像素个数
• $k$:卷积核的大小
• $s$:卷积核移动的步长
• $n_i$:输入的图像大小

最后在输入图像上下左右四个方向上要扩充的大小为：

pad_top = pad_along_height // 2
pad_bottom = pad_along_height - pad_top
pad_left = pad_along_width // 2
pad_right = pad_along_width - pad_left

可能会有pad_along_height和pad_along_width为奇数的情况，当出现这种情况时，习惯于把多余的那个扩充像素加到图像的下边和右边。例如，如果pad_along_height=5，就是上面扩充2个像素，下面扩充3个像素。

— padding=VALID
图像不进行扩充，输出的feature map的大小计算方式如下：

out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))
out_width  = ceil(float(in_width - filter_width + 1) / float(strides[2]))

---

Reference

1http://blog.csdn.net/farmwang/article/details/48102915
2https://www.tensorflow.org/api_guides/python/nn#Notes_on_SAME_Convolution_Padding
3https://www.tensorflow.org/api_guides/python/nn#Convolution