tensorflow中的一些基本用法-注意事项

1，tf中默认是 nhwc，而可以改为nchw，需要更改则需要data_format =‘NCHW’，

2，各种变换可以使用tf.transpose（）做更改。

3，对于tf输出矩阵如何好看即axis的使用：

一般情况下对于axis =0，到 =3，分别表示了 n h w c的变化，如何立即：

一般一个图像是这么存放的：

[[[[1,2,3],[1,2,3],[1,2,3]],

[[4,5,6],[4,5,6],[4,5,6]]]]

表示2行3列，每个像素是3个channel表示。

即：nhwc为 1 x 2 x 3 x 3，

但是tf显示是这样的

[[[[1,2,3]

[1,2,3]

[1,2,3]]

[[4,5,6]

[4,5,6]

[4,5,6]]]]

4，kernal 中一般size 是  sizeh sizew  inputchannel， outputsize，即为kernal 长宽 个数，和输出大小

tf.nn.conv2d中的filter参数，是[filter_height, filter_width, in_channels, out_channels]的形式

filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)

5，tf中的上采样 参考 反卷积，Tensorflow的反卷积（上采样）：https://blog.csdn.net/guvcolie/article/details/76785275中，

https://blog.csdn.net/nijiayan123/article/details/79416764?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase，

conv2d_transpose(value, filter, output_shape, strides, padding="SAME", data_format="NHWC", name=None)，其中：

1. 第二个参数filter：卷积核，它要求是一个Tensor，具有[filter_height, filter_width, out_channels, in_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，卷积核个数，图像通道数

6，比较好的理解测试 权重数量的 博客：https://blog.csdn.net/IT_BOY__/article/details/100552298。比较重要的是，当input的个数为n时候，kernal大小为m*m时候，输出为k的时候参数为：（m*m*n+1）*k，需要这么多参数。

7，对于如何理解tf.nn.conv2d和tf.nn.depth_wise_conv2d：注意2d卷积 中 对于 https://blog.csdn.net/weiyumeizi/article/details/82153821：tf.nn.conv2d、tf.layers.conv2d、tf.contrib.layers.conv2d，

其中tf.layers.conv2d最简单，不需要输入各种初始化参数，但是不好理解内部如何实现的，下面理解下：

输入：是  1*5*5*2的图像（nhwc），做卷积3*3 kernal的输出2个featuremap（即model = models.Sequential()，model.add(layers.Conv2D(2, (3, 3), activation='relu', input_shape=(5, 5, 2)))）或者（

1 input_data =tf.Variable(np.random.rand(1,5,5,2),dtype=np.float32)
2 filter_data = tf.Variable(np.random.rand(3,3,2,2),dtype=np.float32)# kernalheight kernalwidth  inputnum  outputnum
3 y = tf.nn.conv2d(input_data,filter_data,strides=[1,1,1,1],padding='SAME') #）都表示了 如何表征待求参数权重的表达式：

为 mmnk的方式，所以内部逻辑是，n作为input表示几个 mm做卷积，而k表示几个输出，所以这个kernal应该是，注意keraml大小为 mmnk的方式

例如权重为 0  ，1 ，2 ，3 的阵列，则1 5 5 2 的卷积核为 3 3 2 2内部，利用3 3 的 0 1 卷积 和+bias 一次，利用3 3 的2 3 卷积第二次，两次后作为最后的featuremap输出。