Tensorflow 教程（1）

常用TensorFlow函数解释：

参考链接：https://www.cnblogs.com/wuzhitj/p/6298004.html

（1）

tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)

描述： 用4维的输入(input)和过滤器(filter)计算一个两维的卷积Computes a 2-D convolution given 4-

参数：

输入(input):[batch, in_height, in_width, in_channels]

过滤器/卷积核(filter / kernel)：[filter_height,filter_width, in_channels, out_channels]

步长(Strides):[1, stride, stride, 1]

描述：过滤器移动的步长，第一位和第四位一般恒定为1，第二位指水平移动时候的步长，第三位指垂直移动的步长。strides = [1,stride, stride, 1].

padding:A string from: "SAME", "VALID"

描述：Valid:用过滤器在输入的矩阵中按步长移动时候，会把最后的不足部分的列和行抛弃；Same：先在输入矩阵上下各加个值为0的行，在左右各加个个值为0的列，也就是用0把原先的矩阵包裹一层，然后在移动的时候如果输入矩阵的列或者行长度不够，就用0来补齐。具体可以看另一篇文章：Padding：SAME和VALID详释

http://blog.sina.com.cn/s/blog_53dd83fd0102x356.html

 

返回：

和输入一样类型的tensor。

返回以下两个矩阵相乘的结果(用矩阵1左乘矩阵2)

[batch,out_height, out_width, filter_height * filter_width * in_channels]*

[filter_height* filter_width * in_channels, output_channels]

shape应该是[batch, out_height,out_width,output_channels]

 

注解：

Channel: 目前理解应该是指图像通道，具体可以百度百科

过滤器(filter)：过滤器初始值可随机生成，然后由反向算法调整。在神经网络中其实就是权值矩阵。详细可以看另一篇文章（卷积神经网络中的卷积核（或者叫过滤器）http://blog.sina.com.cn/s/blog_53dd83fd0102x34r.html）

左乘右乘：说简单点,左乘(又称前乘)就是乘在左边（即乘号前）,右乘（又称后乘）就是乘在右边（即乘号后）.

比如说,A左乘E即AE (A左乘E，即A在乘号左边)

Sample:

tf.nn.conv2d(x,W, strides=[1, 1, 1, 1], padding='SAME')

（2）

tf.nn.max_pool(value, ksize, strides, padding, name=None)

参数是四个，和卷积很类似：

第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape

第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1

第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]

第四个参数padding：和卷积类似，可以取'VALID' 或者'SAME'

返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式