conv2d函数_Tensorflow-卷积函数con2d的详细用法

conv2d函数形式

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

参数:

1) input:用于做卷积运算的数据(一般是图像)，它是一个四维的Tensor:[batch, in_height, in_width, in_channels]。

batch: 数据数量，假设一批训练数据有10000个样本，batch就等于10000；

in_height: 单幅图像的高度；

in_width: 单幅图像的宽度；

in_channels: 图像的通道数，如果RGB图像，那么每个像素点都有RGB三个通道的数据，in_channels为3。如果是单色图片则in_channels为1。

2) filter: 卷积核，它也是一个四维的Tensor: [filter_height, filter_width, in_channels, out_channels]，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，其中图像通道数(in_channels)与input的in_channels数值相同。

out_channels：卷积核数量。卷积神经网络提取信息的过程必然存在信息的丢失，为了最大程度的降低损失，增加卷积核将图片或者数据信息从不同的角度进行分块、信息提炼。

单通道卷积

多通道卷积

3) strides: 一个四维的Tensor:[batch_stride, height_stride, width_stride, channel_stride]。

batch_stride：在batch维度上的移动步长。batch_stride=1表示不跳过任何一个训练样本；batch_stride=2表示每隔一个样本取一个用于训练。一般该值设置为1，表示不错过任何一个样本。

channel_stride：在图像通道维度上的步长。一般也设置为1。

height_stride，width_stride：在图像矩阵上滑动的像素数。当步长为1 时，每次滤波器移动一个像素的位置；当步长为2时，每次滤波器会移动2个像素。

4) padding：卷积的边缘处理方式，值为“VALID”或者“SAME”。

VALID：当卷积核运动到输入图像的边界时，则卷积停止。

SAME：当卷积核运动到输入图像的边界时，继续卷积运算，超出的部分用零值进行填充。这样的优势在于可以对输入图像矩阵的边缘进行滤波，让更好的控制特征图的大小。

5) use_cudnn_on_gpu： 是否使用cudnn加速，默认为True。

6) data_format: 输入数据的格式，取值为"NHWC"或者"NCHW"， 默认为"NHWC"。

如果格式为"NHWC