Tensorflow记录：tf.nn.conv2d-CSDN博客

本文链接：https://blog.csdn.net/qq_38372240/article/details/104613489

本文详细介绍了TensorFlow中的卷积运算函数tf.nn.conv2d，包括参数解释、举例说明和填充方式的效果分析。通过示例展示了如何使用该函数进行卷积操作，以及不同填充方式对输出形状的影响。

摘要由CSDN通过智能技术生成

定义

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
函数作用是用于tensorflow中的卷积运算

参数

input：待操作的张量，要求是tensor，结构为[ batch_size, height, width, in_channels ]。计算后的结果是四维的tensor，即常说的特征图（feature map）；输入数据类型必须是float32或者float64
filter：卷积核，要求是tensor，结构为[ filter_height, filter_width, in_channels, out_channels ]。这里的in_channels和input中的in_channels必须相同；数据类型与input一致
strides：步长，结构是[ 1, strides, strides, 1]。第一维和第四维必须为1，第二第三维为步长，[1, 2, 2, 1]即设步长为2
padding：填充，结构只有两类：“SAME”, “VALID”。same代表补0填充，会优先在图右侧和下侧补0；valid代表不补0，卷积核没有扫到的部分直接丢弃
use_cudnn_on_gpu=None：是否使用GPU加速，bool类型，默认为True
name：给这个指定的操作命名

例子

- 默认batch为1，输入为331的图，通道为1，使用2*2的filter，将图增加到3维，使用SAME padding，步长为2

input_tensor = tf.Variable(tf.random_normal([1,3,3,1]))  # b, h, w, c
filter_1 = tf.Variable(tf.ones([2,2,1,3])) # f_h, f_w, in_c, out_c
output = tf.nn.conv2d(input_tensor, filter_1, strides=[1, 2, 2, 1], padding='SAME', 
                      use_cudnn_on_gpu=False)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess