tf.nn.conv2d和tf.contrib.slim.conv2d的区别

前言

	在查看代码的时候，看到有代码用到卷积层是tf.nn.conv2d，但是也有的使用的卷积层是tf.contrib.slim.conv2d，这两个函数调用的卷积层是否一致，在查看了API的文档，以及slim.conv2d的源码后，做如下总结：

tf.nn.conv2d

	conv2d(

   input,

   filter,

   strides,

   padding,

   use_cudnn_on_gpu=None,

   data_format=None,

   name=None

)
	input指需要做卷积的输入图像，它要求是一个Tensor，具有[batch_size, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求数据类型为float32和float64其中之一
	
	filter用于指定CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，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]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维，这里是维度一致，不是数值一致。这里out_channels指定的是卷积核的个数，而in_channels说明卷积核的维度与图像的维度一致，在做卷积的时候，单个卷积核在不同维度上对应的卷积图片，然后将in_channels个通道上的结果相加，加上bias来得到单个卷积核卷积图片的结果。
	strides为卷积时在图像每一维的步长，这是一个一维的向量，长度为4，对应的是在input的4个维度上的步长.	
	padding是string类型的变量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式，SAME代表卷积核可以停留图像边缘，VALID表示不能，更详细的描述可以参考http://blog.csdn.net/mao_xiao_feng/article/details/53444333
	use_cudnn_on_gpu指定是否使用cudnn加速，默认为true
	data_format是用于指定输入的input的格式，默认为NHWC格式
	结果返回一个Tensor，这个输出，就是我们常说的feature map

tf.contrib.slim.conv2d

	convolution(inputs,

     num_outputs,

     kernel_size,

     stride=1,

     padding='SAME',

     data_format=None,

     rate=1,

     activation_fn=nn.relu,

     normalizer_fn=None,

     normalizer_params=None,

     weights_initializer=initializers.xavier_initializer(),

     weights_regularizer=None,

     biases_initializer=init_ops.zeros_initializer(),

     biases_regularizer=None,

     reuse=None,

     variables_collections=None,

     outputs_collections=None,

     trainable=True,

     scope=None):
     
    	 inputs同样是指需要做卷积的输入图像
		num_outputs指定卷积核的个数（就是filter的个数）
		
		kernel_size用于指定卷积核的维度（卷积核的宽度，卷积核的高度）
		
		stride为卷积时在图像每一维的步长
		
		padding为padding的方式选择，VALID或者SAME
		
		data_format是用于指定输入的input的格式
		
		rate这个参数不是太理解，而且tf.nn.conv2d中也没有，对于使用atrous convolution的膨胀率（不是太懂这个atrous convolution）
		
		activation_fn用于激活函数的指定，默认的为ReLU函数
		
		normalizer_fn用于指定正则化函数
		
		normalizer_params用于指定正则化函数的参数
		
		weights_initializer用于指定权重的初始化程序
		
		weights_regularizer为权重可选的正则化程序
		
		biases_initializer用于指定biase的初始化程序
		
		biases_regularizer: biases可选的正则化程序
		
		reuse指定是否共享层或者和变量
		
		variable_collections指定所有变量的集合列表或者字典
		
		outputs_collections指定输出被添加的集合
		
		trainable:卷积层的参数是否可被训练
		
		scope:共享变量所指的variable_scope

小结

	在上述的API中，可以看出去除掉初始化的部分，那么两者并没有什么不同，只是tf.contrib.slim.conv2d提供了更多可以指定的初始化的部分，而对于tf.nn.conv2d而言，其指定filter的方式相比较tf.contrib.slim.conv2d来说，更加的复杂。去除掉少用的初始化部分，其实两者的API可以简化如下：
		tf.contrib.slim.conv2d (inputs,

           num_outputs,[卷积核个数]

           kernel_size,[卷积核的高度，卷积核的宽度]

           stride=1,

           padding='SAME')

	tf.nn.conv2d(
	
	   input,(与上述一致)
	
	   filter,([卷积核的高度，卷积核的宽度，图像通道数，卷积核个数])
	
	   strides,
	
	   padding,
	
	)