Time：2019-06-12
conv2d()用于实现卷积函数的计算，四个参数需要指定，input，filter，strides and padding。
官网给的定义
input：输出的参数，是一个4维tensor。shape是[batch, in_height, in_width, in_channels]，其中batch表示处理的批数，比如一次处理50批数据，in_height和in_weight分别是张量的高度和宽度，in_channelss是通道数量（比如有3个通道，分别对应R,G,B）
filter：卷积核，4维张量。shape是[filter_height, filter_width, in_channels, out_channels]。filter_height和filter_width分别对应卷积神经元的高度和宽度，in_channels代表图像通道数（这里和input的in_channels是相等的）。out_channels代表卷积核的数目（比如用了3次卷积核计算，则有三个out_channels）
strides: 卷积时的步长，是一个长度为4的一维张量。官网给的解释是默认为“NHWC”，即shape是[batch, height, width, channels], 分别代表各个方向的卷积步长。一般batch和channel赋值1，即strides=[1, height, width，1 ]。（个人认为因为是按批处理，以及按照通道挨个处理，所以是1，height和width随意，一般情况下纵向和横向的步长一致）
padding：代表是否外圈补0。padding赋值一个字符串，“SAME”或“VALID”， “SAME” 代表补0。补0规则是（亲测）： 假设filter的宽度是F, input的宽度是W, 如果F-1是偶数， 则上下左右各补（F-1）/2个0， 如果是奇数，则上和左补（F-1）/2个0， 下和右补（F-1）/2+1个0， 如下图：
补零规则
对于tf.nn.conv2d(), 无论filter的size是多大，只要步长为1，最终特征图的size和input的size相同，如果步长为n，补0后input的宽度为W, 则特征图宽度= （W-n）/n+1
测试：
假设有两批数据，大小是3*3，通道数为2。做4次卷积，每个卷积核的大小是3*3，通道数是2。
测试代码
input：
输入张量
第一批数据的有两个通道的矩阵，实际计算格式如下图：
第一批数据
filter1
卷积核，每一列数据代表一个卷积核
result is
每列数据代表一个输出
列入第一批数据与第一个卷积核计算得到一个输出，数据格式需要转换一下
计算的时候四舍五入，最终output和result不完全一样，但误差很小
网友评论