【笔记】tf.nn.conv2d()参数表：input, filter, strides, padding, use_cudnn_on_gpu, data_format,dilations,name

注：可以看出来tf和torch在卷积方面的不同点，存在一点于：

tf 对fliter进行了定义，用来控制输入输出维度；torch将该功能集成到了Conv2d中。

正文：

tf 中 二维卷积函数tf.nn.conv2d()定义：

def conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format="NHWC", dilations=[1, 1, 1, 1], name=None)

 tf.nn.conv2d()函数使用示例：

# coding: utf-8
import tensorflow as tf
 
# 定义输入图像size
img_size = 256
# 卷积核大小
kernel_size = 7
# 卷积步长
stride_size = 1
 
# 读入图像文件
image_value = tf.read_file('./xxx.jpg')
# 图像编码
img = tf.image.decode_jpeg(image_value, channels=3)
# 格式转换
img = tf.to_float(img, name='ToFloat')
# 调整图像大小到定义尺寸
img = tf.image.resize_images(img, [img_size,img_size],method=0)
 
# 第一个参数1是输入图片数量，最后一个3个RGB3个维度
batch_shape = (1,img_size,img_size,3)
# 维度转换，为卷积做准备（卷积的输入特征图的rank必须是4)
img = tf.reshape(img,batch_shape)
 
# 卷积核大小5×5,深度是3（跟RGB3个维度保持一致），特征图（卷积核）数量是7
filter = tf.Variable(tf.random_normal([kernel_size,kernel_size,3,7]))
# 步长1
strides_shape=[1,stride_size,stride_size,1]
# 定义卷积操作
op_conv2d = tf.nn.conv2d(img, filter, strides_shape, padding='SAME')
 
# 创建运行sess
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    out_img= sess.run(op_conv2d)
    print('输入图像维度： {}'.format(img.shape))
    print('输出图像维度： {}'.format(out_img.shape))
    # 输入图像维度： (1, 256, 256, 3)
    # 输出特征图维度： (1, 256, 256, 7)