卷积神经网络的相关函数

---

声明：以下内容绝大多部分来自于《深度学习之TensorFlow：入门、原理与进阶实战》，本博客只是为了更好学习，而将书本内容打一遍。

---

前言

在TensorFlow中，使用tf.nn.conv2d来实现卷积操作，使用tf.nn.max_pool进行最大池化操作。通过传入不同的参数，来实现各种不同类型的卷积与池化操作。

卷积函数tf.nn.conv2d

TensorFlow里使用tf.nn.conv2d函数来实现卷积，其定义如下。

tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=True,name=None)

除去参数name参数用以指定该操作的name， 与方法有关的共有5个参数。
·input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch，in_height，in_width， in_channels]这样的形状（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”，注意这是一个四维的 Tensor，要求类型为float32和float64其中之一。
·filter：相当于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，滤波器的宽度，图像通道 数，滤波器个数”，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。
·strides：卷积时在图像每一维的步长，这 是一个一维的向量，长度为4。
·padding：定义元素边框与元素内容之间的空间。string类型的量，只能是SAME和VALID其中之一，这个值决定了不同的卷积方式，padding的值为’VALID’时，表示边缘不填充，当其为’SAME’时，表示填充到滤波器可以到达图像边缘。
·use_cudnn_on_gpu：bool类型，是否使用 cudnn加速，默认为true.
·返回值：tf.nn.conr2d函数结果返回一个 Tensor，这个输出就是feature map。

padding规则介绍

padding属性的意义是定义元素边框与元素内容之间的空间。
在tf.nn.conv2d函数中，当变量padding为 VALID和SAME时，函数具体是怎么计算的呢？ 其实是有公式的。我们规定：

---

·输入的尺寸中高和宽定义成in_height、 in_width。
·卷积核的高和宽定义成filter_height、 filter_width。
·输出的尺寸中高和宽定义成 output_height、output_width。
·步长的高宽方向定义成strides_height、 strides_ width。

---

1.VALID情况
输出的宽和高的公式代码分别为：
output_width = (in_width-filter_width+1)/strides_width(结果向上取整)
output_height = (in_height-filter_height+1)/strides_height(结果向上取整)
多余的数会舍去（drop）

2.SAME情况
输出的宽和高与卷积核无关，具体公式如下：
out_height = in_height / strides_height(结果向上取整)
out_width = in_width / strides_width(结果向上取整)
在SAME情况下，是需要补0的，规则如下：
pad_height = max((out_height-1)*strides_height+filter_height-in_height,0)
pad_width = max((out_width-1)*strides_width+filter_width-in_width,0)
解释：pad_height:表示高度方向填充0的行数
pad_width:表示宽度方向填充0的列数。