tf.nn.conv2d与tf.contrib.slim.conv2d间的不同

最新推荐文章于 2020-05-18 18:59:49 发布

hold_on_zhen

最新推荐文章于 2020-05-18 18:59:49 发布

阅读量1.1k

点赞数

分类专栏： TensorFlow CNN 文章标签： TensorFlow

本文链接：https://blog.csdn.net/qq_35860352/article/details/80370540

版权

这篇博客探讨了TensorFlow中tf.nn.conv2d和tf.contrib.slim.conv2d两个函数在卷积操作上的异同。主要区别在于tf.contrib.slim.conv2d提供了更多的初始化选项，而tf.nn.conv2d的filter参数设置相对复杂。通过代码示例，证明了两者在基本功能上是等效的。

摘要由CSDN通过智能技术生成

在查看代码的时候，看到有代码用到卷积层是tf.nn.conv2d，但是也有的使用的卷积层是tf.contrib.slim.conv2d，这两个函数调用的卷积层是否一致，在查看了API的文档，以及slim.conv2d的源码后，做如下总结：

首先是常见使用的tf.nn.conv2d的函数，其定义如下：

conv2d(

input,

filter,

strides,

padding,

use_cudnn_on_gpu=None,

data_format=None,

name=None

)

input指需要做卷积的输入图像，它要求是一个Tensor，具有[batch_size, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求数据类型为float32和float64其中之一

filter用于指定CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维，这里是维度一致，不是数值一致

strides为卷积时在图像每一维的步长，这是