TensorFlow卷积函数tf.nn.conv2d

tf.nn.conv2d

在TensorFlow中使用tf.nn.conv2d实现卷积操作，其格式如下：

 

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

Returns:
A Tensor. 

input:

指需要做卷积的输入图像（tensor），具有[batch,in_height,in_width,in_channels]这样的4维shape，分别是图片数量、图片高度、图片宽度、图片通道数，数据类型为float32或float64。

filter:

相当于CNN中的卷积核，它是一个tensor，shape是[filter_height,filter_width,in_channels,out_channels]：滤波器高度、宽度、图像通道数、滤波器个数，数据类型和input相同。

strides:

卷积在每一维的步长，一般为一个一维向量，长度为4，一般为[1,stride,stride,1]。

padding:

定义元素边框和元素内容之间的空间，只能是‘SAME’（边缘填充）或者‘VALID’（边缘不填充）。

return：

返回值是Tensor

例子

例1（1个通道1个输出）

假设我们用一个5*5的矩阵来模拟图片，定义一个2*2点的卷积核

例1

 

import tensorflow as tf
input = tf.Variable(tf.constant(1.0, shape=[1, 5, 5, 1]))
filter = tf.Variable(tf.constant([-1.0, 0, 0, -1], shape=[2, 2, 1, 1]))
op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding='SAME')

init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  print("op:\n",sess.run(op))

输出如下：

op:
[[[[-2.]
[-2.]
[-1.]]

[[-2.]
[-2.]
[-1.]]

[[-1.]
[-1.]
[-1.]]]]

实际过程就是：

 

 

padding='SAME',这种情况tensorflow会先在边侧补0（优先右侧和下方），然后经过卷积操作得到结果。

例2（1个通道3个输出）

我们用三个filter来创造三个输出：

 

多通道

 

import tensorflow as tf
input = tf.Variable(tf.constant(1.0, shape=[1, 5, 5, 1]))

raw = tf.Variable(tf.constant([-1.0, 0, 0, -1], shape=[2, 2, 1, 1]))
filter=tf.tile(raw,[1,1,1,3])

op=tf.nn.conv2d(input,filter, strides=[1, 2, 2, 1], padding='SAME')

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print("op:\n",sess.run(op))

输出结果：

output

三个filter相同，输出了三个相同的结果（按列看）

例3（2个通道2个输出）

例3.png

代码：

 

import tensorflow as tf
input = tf.Variable(tf.constant(1.0, shape=[1, 3, 3, 2]))

raw = tf.Variable(tf.constant([-1, 9.0, 0, 0,0,0,1,0], shape=[2, 2, 2, 1]))
filter=tf.tile(raw,[1,1,1,2])

op=tf.nn.conv2d(input,filter, strides=[1, 2, 2, 1], padding='SAME')

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(filter))
    print("\nop:\n",sess.run(op))

输出结果：

filter：

filter.png

这是两个filter，红框就是一个卷积核，绿框黄框分别对应着两个通道。

卷积结果：

 

output.png

输出就是两个2x2的矩阵。

作者：PanDong
链接：https://www.jianshu.com/p/c72af2ff5393
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。