tf.nn.conv2d 你真的会用么

---

问题背景：
假如我现在有一个矩阵为image，卷积核为weight,卷积时不填充，则卷积后的结果为conv

image =
[[[[ 1.  2.  3.  4.  5.]
   [ 6.  7.  8.  9. 10.]
   [11. 12. 13. 14. 15.]
   [16. 17. 18. 19. 20.]
   [21. 22. 23. 24. 25.]]

  [[26. 27. 28. 29. 30.]
   [31. 32. 33. 34. 35.]
   [36. 37. 38. 39. 40.]
   [41. 42. 43. 44. 45.]
   [46. 47. 48. 49. 50.]]]]

weight = 
[[[[1 0 0]
   [0 1 0]
   [1 0 0]]

  [[0 1 0]
   [0 0 1]
   [0 0 0]]]]

conv=
[[[[ 79.  84.  89.]
   [104. 109. 114.]
   [129. 134. 139.]]]]

那么现在问题来了，初始化好imgae,weight这两个变量后，这么用tf.nn.conv2d来计算得到这个结果呢？为了说清楚这个问题，先来做两个铺垫。

我们知道在tensorflow中，表示一张图片需要用4个维度，即[batch_size,width,high,channel]。但是呢，如果这样表示的话输出来的结果对于我们人来说却一点都不直观，我们肉眼最直观的表示方式是[batch_size,channel,width,high]（例如cifar数据集的表示方式就是后者），举个例子：

假如我现在有一张5乘5的2通道图片，即上面的image，如下：

image_in_man = np.linspace(1, 50, 50).reshape(1, 2, 5, 5)
[[[[ 1.  2.  3.  4.  5.]
   [ 6.  7.  8.  9. 10.]
   [11. 12. 13. 14. 15.]
   [16. 17. 18. 19. 20.]
   [21. 22. 23. 24. 25.]]

  [[26. 27. 28. 29. 30.]
   [31. 32. 33. 34. 35.]
   [36. 37. 38. 39. 40.]
   [41. 42. 43. 44. 45.]
   [46. 47. 48. 49. 50.]]]]

它的形状是[batch_size,channel,width,high]，即[1,2,5,5]我称为人类视角；可我们在使用tf.nn.con2d时必须将其转换为[batch_size,width,high,channel]，即[1,5,5,2]即tf视角，但这样的结果对于我们来说却不直观：

很明显两者的形状都是[1,5,5,2]，可是结果却大相径庭。当然，转换这种视角用的是transpose.

做了以上的铺垫，那么我们接下来看看最初的问题怎来实现：

import tensorflow as tf
import numpy as np

image_in_man = np.linspace(1, 50, 50).reshape(1, 2, 5, 5)
image_in_tf = image_in_man.transpose(0, 2, 3, 1)
#
weight_in_man = np.array([1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0]).reshape(1, 2, 3, 3)
weight_in_tf = weight_in_man.transpose(2, 3, 1, 0)
print('image in man:')
print(image_in_man)
# print(image_in_tf)
print('weight in man:')
print(weight_in_man)
# #
x = tf.placeholder(dtype=tf.float32, shape=[1, 5, 5, 2], name='x')
w = tf.placeholder(dtype=tf.float32, shape=[3, 3, 2, 1], name='w')
conv = tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='VALID')
with tf.Session() as sess:
    r_in_tf = sess.run(conv, feed_dict={x: image_in_tf, w: weight_in_tf})
    r_in_man = r_in_tf.transpose(0, 3, 1, 2)
    print(r_in_man)

结果就是最上面所给出的问题。不过在实际问题中我们不需要怎么去关注权重，因为权重都是随机初始化的；但是当我们输入特定类图片数据的时候，一定要注意是用transpose将人类视角转换为tf视角。不然虽然reshape后也满足tf.nn.conv2d的要求，可以进行卷积操作，但是这样计算出来的结果却是错的。