Tensorflow2.0之4维张量

Tensorflow2.0之4维张量

简介：

4 维张量在卷积神经网络中应用的非常广泛，它用于保存特征图(Feature maps)数据，

格式定义

格式一般定义为：
$$[b,h,w,c]$$
其中𝑏表示输入的数量，h/w分布表示特征图的高宽，𝑐表示特征图的通道数，部分深度学习框架也会使用[𝑏, 𝑐, ℎ, ]格式的特征图张量，例如PyTorch。图片数据是特征图的一种，对于含有RGB 3 个通道的彩色图片，每张图片包含了h 行w 列像素点，每个点需要3 个数值表示RGB 通道的颜色强度，因此一张图片可以表示为[h, w, 3]。如图所示，最上层的图片表示原图，它包含了下面3 个通道的强度信息。

神经网络中一般并行计算多个输入以提高计算效率，故𝑏张图片的张量可表示为:
$$[b,h,w,c]$$

# 创建32x32 的彩色图片输入，个数为4
x = tf.random.normal([4,32,32,3])
# 创建卷积神经网络
layer = layers.Conv2D(16,kernel_size=3)
out = layer(x) # 前向计算
out.shape # 输出大小
Out[48]: TensorShape([4, 30, 30, 16])

其中卷积核张量也是4 维张量，可以通kernel 成员变量访问：

In [49]: layer.kernel.shape
Out[49]: TensorShape([3, 3, 3, 16])

对于4维张量的索引和切片问题

这个在我的另一篇博客中有详解说明：
博客链接：https://blog.csdn.net/python_LC_nohtyp/article/details/104078810