tf.nn.conv2d详解

tf.nn.conv2d(

    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None

)

计算给定4-D input和filter张量的2-D卷积

给定一个input的张量[batch, in_height, in_width, in_channels]和一个过滤器 / 内核张量 [filter_height, filter_width, in_channels, out_channels]后，执行以下操作：

• 展平filter为一个形状为[filter_height * filter_width * in_channels, output_channels]的二维矩阵。
• 从input中按照filter大小提取图片子集形成一个大小为[batch, out_height, out_width, filter_height * filter_width * in_channels]的虚拟张量。
• 循环每个图片子集，右乘filter矩阵。

通常必须有strides[0] = strides[3] = 1. strides = [1, stride, stride, 1].

举例 
输入是[1,3,3,1]，代表1个图像，大小3x3，1个通道 
filter是[2,2,1,1]，代表filter的大小是2x2，输入通道通道是1，与图片通道相同，输入通道也是1。 
步长是1，padding是VALID 

这种情况下，输出是1x2x2x1，其中2=（3-2）/1+1，即(图片大小-filter大小)/步长+1。 

input = tf.constant([[[[1],
   [2],
   [ 3]],

  [[4],
   [5],
   [6 ]],

  [[ 7],
   [8],
   [9]]]],dtype=tf.float32)
filter = tf.constant([[[[1]],
  [[2]]],

 [[[ 3]],
  [[4]]]],dtype=tf.float32)

op = tf.nn.conv2d（input，filter，strides = [1,1,1,1]，padding ='VALID'）
with tf.Session() as sess:
    sess.run(init)
    result = sess.run(op)
    print(result)

结果是
[[[[ 37.]
   [ 47.]]

  [[ 67.]
   [ 77.]]]]

当padding=SAME时，输入与输出形状相同，如下面代码所示，输出形状输出是1x3x3x1。

input = tf.constant([[[[1],
   [2],
   [ 3]], 

  [[4],
   [5],
   [6 ]],

  [[ 7],
   [8],
   [9]]]],dtype=tf.float32)
filter = tf.constant([[[[1]],
  [[2]]],

 [[[ 3]],
  [[4]]]],dtype=tf.float32)

op = tf.nn.conv2d（input，filter，strides = [1,1,1,1]，padding ='SAME'）
with tf.Session() as sess:
    sess.run(init)
    result = sess.run(op)
    print(result)

结果是
[[[[ 37.]
   [ 47.]
   [ 21.]]

  [[ 67.]
   [ 77.]
   [ 33.]]

  [[ 23.]
   [ 26.]
   [  9.]]]]

填充方式如图所示： 

如果是2x2的图像，过滤器是3x3，padding=SAME,填充方式如图： 

对于多通道来说，输入是[1x3x3x2]是3x3图像有2个通道，过滤器是[2x2x2x1]，步长是1，padding=VALID，输出是[1x2x2x1],如图：