tensorflow学习：tf.nn.conv2d 和 tf.layers.conv2d

参考链接：https://stackoverflow.com/questions/42785026/tf-nn-conv2d-vs-tf-layers-conv2d

 tf.nn.conv2d(
     input,
     filter,
     strides,
     padding,
     use_cudnn_on_gpu=True,
     data_format='NHWC',
     dilations=[1, 1, 1, 1],
     name=None
 )

input：输入数据

filter：过滤器

strides：卷积滑动步长，实际上可以解释为过滤器的大小

padding：图像边填充方式

 tf.layers.conv2d(
     inputs,
     filters,
     kernel_size,
     strides=(1, 1),
     padding='valid',
     data_format='channels_last',
     dilation_rate=(1, 1),
     activation=None,
     use_bias=True,
     kernel_initializer=None,
     bias_initializer=tf.zeros_initializer(),
     kernel_regularizer=None,
     bias_regularizer=None,
     activity_regularizer=None,
     kernel_constraint=None,
     bias_constraint=None,
     trainable=True,
     name=None,
     reuse=None
 )

对于卷积来说，两者作用是一样的。最大的区别在于：

1. layers中  filters：一个整数，代表滤波器的个数，也就是卷积核数或者输出空间的维数
2. nn中        filter：  一个四维张量，[filter_height, filter_width, in_channels, out_channels]

 相当于nn中的filter在layers中被拆成了filters和kernel_size两个参数。

• tf.layers.conv2d参数丰富，一般用于从头训练一个模型。其中activation和bias自动实现，而tf.nn.conv2d里需要显示的创建并进行相关计算。
  

• tf.nn.conv2d，一般在下载预训练好的模型时使用。在加载与训练的权值时更快。