tensorflow卷积核的两种实现方式: tf.nn.conv2d 和 tf.layers.conv2d

参考链接：https://stackoverflow.com/questions/42785026/tf-nn-conv2d-vs-tf-layers-conv2d

定义：

tf.layers.conv2d(inputs, filters, kernel_size, strides=(1,1),
                       padding='valid', data_format='channels_last',
                　　　 dilation_rate=(1,1), activation=None, 
                　　　 use_bias=True, kernel_initializer=None, 
                　　　 bias_initializer=init_ops.zeros_initializer(), 
                　　　 kernel_regularizer=None, 
                　　　 bias_regularizer=None, 
                　　　 activity_regularizer=None, trainable=True, 
                　　　 name=None, reuse=None)

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

对于卷积来说，两者作用是一样的。最大的区别在于：

• layers中  filters：一个整数，代表滤波器的个数，也就是卷积核数或者输出空间的维数
• nn中        filter：  一个四维张量，[filter_height, filter_width, in_channels, out_channels]

相当于nn中的filter在layers中被拆成了filters和kernel_size两个参数。

此外：

• layers更适合从头到尾训练模型，因为activation和bias自动实现，而nn则需要你显示地创建placeholder并进行相关计算
• nn更适合加载已经预训练好的模型，因为filter由tf.Variable生成，在加载预训练的权值时更快
• nn可以用权重衰减（因为权重矩阵是你显示定义的，layers中根据参数为你自动定义weights）如下：

kernel = _variable_with_weight_decay('weights',
                                         shape=[5, 5, 3, 64],
                                         stddev=5e-2,
                                         wd=0.0)
conv = tf.nn.conv2d(images, kernel, [1, 1, 1, 1], padding='SAME')