卷积函数小例子

"""
TensorFlow中的卷积函数
函数: tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
1. input: 卷积的输入图像，是一个4维的Tensor，类型为float32和float64其中之一，其中Tensor为[训练时一个batch的图片数量，
图片高度，图片宽度，图片通道数]
2. filter: 卷积核，是一个4维的Tensor，[卷积核高度，卷积核宽度，图片通道数，卷积核个数]，其中的图片通道数其实是input的
第4维
3. strides: 卷积时图像在每一维的步长，第一维和第四维默认为1，第二维和第三维是平行和竖直滑行的步长
4. padding: 卷积方式，取值为"SAME"和"VALID"其中之一
5. use_cudnn_on_gpu: 是否使用cudnn加速，默认True
"""
import tensorflow as tf

"""
假设输入一张单通道大小为3x3的图片，并使用一个[1, 1, 1, 1]大小的卷积核对其操作
"""
input = tf.Variable(tf.random_normal([1, 3, 3, 1]))
filter = tf.Variable(tf.ones([1, 1, 1, 1]))  # 这个卷积核并不会改变原图片

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

conv2d = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding="VALID")
print(sess.run(conv2d))
print(sess.run(input))
sess.close()

"""
将图片替换为一张5通道图像，则需要是使用的卷积核为[1, 1, 5, 1]，得到的将仍然为3x3的矩阵
"""
input = tf.Variable(tf.truncated_normal([1, 3, 3, 5]))
filter = tf.Variable(tf.ones([1, 1, 5, 1]))

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
conv2d = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding="VALID")
print(sess.run(conv2d))
print(sess.run(filter))
print(sess.run(input))
sess.close()

"""
对图片和卷积核做个修改，使用3x3的卷积核，图片为5x5的5通道，步长为1，输出3x3特征值
"""
input = tf.Variable(tf.truncated_normal([1, 5, 5, 5]))
filter = tf.Variable(tf.ones([3, 3, 5, 1]))

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

conv2d = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding="VALID")
print(sess.run(conv2d))

conv2d_same = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding="SAME")  # 这样会使卷积结果和原输入矩阵大小一致
print(sess.run(conv2d_same))
sess.close()