python实现卷积的代码_Tensorflow卷积实现原理+手写python代码实现卷积教程

从一个通道的图片进行卷积生成新的单通道图的过程很容易理解，对于多个通道卷积后生成多个通道的图理解起来有点抽象。本文以通俗易懂的方式讲述卷积，并辅以图片解释，能快速理解卷积的实现原理。最后手写python代码实现卷积过程，让Tensorflow卷积在我们面前不再是黑箱子！

注意：

本文只针对batch_size=1,padding='SAME'，stride=[1,1,1,1]进行实验和解释，其他如果不是这个参数设置，原理也是一样。

1 Tensorflow卷积实现原理

先看一下卷积实现原理，对于in_c个通道的输入图，如果需要经过卷积后输出out_c个通道图，那么总共需要in_c * out_c个卷积核参与运算。参考下图：

如上图，输入为[h:5,w:5,c:4]，那么对应输出的每个通道，需要4个卷积核。上图中，输出为3个通道,所以总共需要3*4=12个卷积核。对于单个输出通道中的每个点，取值为对应的一组4个不同的卷积核经过卷积计算后的和。

接下来，我们以输入为2个通道宽高分别为5的输入、3*3的卷积核、1个通道宽高分别为5的输出，作为一个例子展开。

2个通道，5*5的输入定义如下：

#输入，shape=[c,h,w]

input_data=[

[[1,0,1,2,1],

[0,2,1,0,1],

[1,1,0,2,0],

[2,2,1,1,0],

[2,0,1,2,0]],

[[2,0,2,1,1],

[0,1,0,0,2],

[1,0,0,2,1],

[1,1,2,1,0],

[1,0,1,1,1]],

]

对于输出为1通道map，根据前面计算方法，需要2*1个卷积核。定义卷积核如下：

#卷积核，shape=[in_c,k,k]=[2,3,3]

weights_data=[

[[ 1, 0, 1],

[-1, 1, 0],

[ 0,-1, 0]],

[[-1, 0, 1],

[ 0, 0, 1],

[ 1, 1, 1]]

]

上面定义的数据，在接下来的计算对应关系将按下图所描述的方式进行。

由于Tensorflow定义的tensor的shape为[n,h,w,c]，这里我们可以直接把n设为1，即batch size为1。还有一个问题，就是我们刚才定义的输入为[c,h,w]，所以需要将[c,h,