zoukankan      html  css  js  c++  java
  • Tensorflow——tf.nn.conv2d卷积操作

    tf.nn.conv2d(
    input, #指需要做卷积的输入图像,给定形状为[batch, in_height, in_width, in_channels]的输入张量。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]
    filter, #形状为[filter_height, filter_width, in_channels, out_channels]的滤波器/内核张量,相当于CNN中的卷积核。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
    strides, #卷积时在图像每一维的步长,这是一个一维的向量,长度4。维度顺序由data_format值确定,
    padding,#可以是:“SAME”, “VALID”,要使用的填充算法的类型。
    use_cudnn_on_gpu=True, #bool,是否使用cudnn加速,默认为True。
    data_format=‘NHWC’, #可以是"NHWC", “NCHW”,默认为"NHWC";指定输入和输 出数据的数据格式;使用默认格式“NHWC”,数据按以下顺序存储:[batch, height, width, channels];或者,格式可以是“NCHW”,数据存储顺序为:[batch, channels, height, width]。
    dilations=[1, 1, 1, 1], ints的可选列表,默认为[1, 1, 1, 1],长度为4的1-D张量,input的每个维度的扩张系数;如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格;维度顺序由data_format值确定,详见上文;批次和深度尺寸的扩张必须为1。
    name=None 操作的名称(可选)。
    )
    结果返回一个Tensor,就是我们常说的feature map,shape仍然是[batch, height, width, channels]这种形式。
    例子:
    1.考虑一种最简单的情况,现在有一张3×3单通道的图像(对应的shape:[1,3,3,1]),用一个1×1的卷积核(对应的shape:[1,1,1,1])去做卷积,最后会得到一张3×3的feature map

    2.增加图片的通道数,使用一张3×3五通道的图像(对应的shape:[1,3,3,5]),用一个1×1的卷积核(对应的shape:[1,1,1,1])去做卷积,仍然是一张3×3的feature map,这就相当于每一个像素点,卷积核都与该像素点的每一个通道做卷积。

    input = tf.Variable(tf.random_normal([1,3,3,5]))
    filter = tf.Variable(tf.random_normal([1,1,5,1]))
    
    op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
    

    3.把卷积核扩大,现在用3×3的卷积核做卷积,最后的输出是一个值,相当于情况2的feature map所有像素点的值求和

    input = tf.Variable(tf.random_normal([1,3,3,5]))
    filter = tf.Variable(tf.random_normal([3,3,5,1]))
    
    op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
    

    4.使用更大的图片将情况2的图片扩大到5×5,仍然是3×3的卷积核,令步长为1,输出3×3的feature map

    input = tf.Variable(tf.random_normal([1,5,5,5]))
    filter = tf.Variable(tf.random_normal([3,3,5,1]))
    
    op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
    ``
    5.如果卷积核有多个`
    
    

    input = tf.Variable(tf.random_normal([1,5,5,5]))
    filter = tf.Variable(tf.random_normal([3,3,5,7]))

    op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding=‘VALID’)

    此时输出7张5×5的feature map,这就是平常说的图片变厚了
    6.步长不为1的情况,对于图片,因为只有两维,通常strides取[1,stride,stride,1]
    
    

    input = tf.Variable(tf.random_normal([1,5,5,5]))

    filter = tf.Variable(tf.random_normal([3,3,5,7]))

    op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding=‘SAME’)

    7.如果batch值不为1,同时输入10张图
    
    

    input = tf.Variable(tf.random_normal([10,5,5,5]))
    filter = tf.Variable(tf.random_normal([3,3,5,7]))

    op = tf.nn.conv2d(input, filter, strides=[1, 2, 2, 1], padding=‘SAME’)

    
    
  • 相关阅读:
    Windows Server 2003 SP2(32位) 中文版 下载地址 光盘整合方法
    用Recycle()方法对Java对象的重要性
    Lotus中千奇百怪的 $$
    Developing a simple application using steps "User Decision" and "Mail"(1) 沧海
    沟通中的情绪管理(演讲稿) 沧海
    人只有在压力之下,才可能成功,没做一件事,都必须成功,不许言败 沧海
    什么是IDOC,以及IDOC的步骤 沧海
    VS2008 Professional Edition CHS中的deffactory.dat读取错误 沧海
    Including custom text in the step "User Decision" 沧海
    SAP Upgrade Strategy 沧海
  • 原文地址:https://www.cnblogs.com/long5683/p/12885807.html
Copyright © 2011-2022 走看看