tensorflow卷积层模板

• 在这里看的
• 但我认为downsample部分不用自己填充，只设置步长为2就行，padding用SAME。因为filter的大小一般是奇数，padding用SAME，在卷积的时候，自动填充filters_shape[0] // 2

def convolutional(input_data, filters_shape, trainable, name, downsample=False, activate=True, bn=True):

    with tf.variable_scope(name):
        if downsample:
            # 就是filters_shape[0] // 2，佛祖来了也是
            pad_h, pad_w = (filters_shape[0] - 2) // 2 + 1, (filters_shape[1] - 2) // 2 + 1
            # NHWC
            paddings = tf.constant([[0, 0], [pad_h, pad_h], [pad_w, pad_w], [0, 0]])
            # input_data左右各填充pad_h列0，上下个填充pad_w行0
            input_data = tf.pad(input_data, paddings, 'CONSTANT')
            # 步长，第一位和最后一位固定必须是1
            strides = (1, 2, 2, 1)
            # 当filter全部在特征图里面的时候，进行卷积运算，即filter的每个值都有效时才开始计算
            padding = 'VALID'
        else:
            strides = (1, 1, 1, 1)
            # 当filter的中心与特征图的边角重合时，开始做卷积运算，步长为一时，输出的特征图大小不变
            padding = "SAME"

        # shape：高， 宽， 输入维度， 输出维度
        weight = tf.get_variable(name='weight', dtype=tf.float32, trainable=True,
                                 shape=filters_shape, initializer=tf.random_normal_initializer(stddev=0.01))
        conv = tf.nn.conv2d(input=input_data, filter=weight, strides=strides, padding=padding)

        if bn:
            conv = tf.layers.batch_normalization(conv, beta_initializer=tf.zeros_initializer(),
                                                 gamma_initializer=tf.ones_initializer(),
                                                 moving_mean_initializer=tf.zeros_initializer(),
                                                 moving_variance_initializer=tf.ones_initializer(), training=trainable)
        else:
            bias = tf.get_variable(name='bias', shape=filters_shape[-1], trainable=True,
                                   dtype=tf.float32, initializer=tf.constant_initializer(0.0))
            conv = tf.nn.bias_add(conv, bias)

        if activate == True: conv = tf.nn.leaky_relu(conv, alpha=0.1)

    return conv