紧接着上一节讲的卷积内容,今天我们先用tensorfloww实现一个卷积操作:
![ba02e074c390c1859ae9c7de18b4d8c8.png](https://img-blog.csdnimg.cn/img_convert/ba02e074c390c1859ae9c7de18b4d8c8.png)
上面的图中我们可以看到,我们先用一张图片进行输入,也就是input的值,后面要给出图片的参数;filter也就是我们的滤波器(卷积核).
tf.nn.conv2d就是我们的卷积层函数,这个函数有四个参数,第一维为输入图像,第二维为卷积层权值,第三维为不同维度的步长(在CNN中,第一维、第四维固定为1),第四维填充方式(SAME表示全0填充,VALID为不填充), 层的深度:例如一个输入图像是28*28*3,其中3代表深度,即为(R,G,B)
除了conv2d()函数之外,Tensorflow还提供了其他的用于卷积运算的函数,在这里我们不做过多的介绍,用的最多的还是conv2d()函数
池化(Pooling)
在上一节当中,我们讲述了卷积操作,通过卷积获得了特征(Feature)之后,下一步要做的工作就是利用这些特征进行分类。为了简化计算量,我们通常使用池化函数处理这一过程。池