tf.nn.conv2d

(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name参数用以指定该操作的name,与方法有关的一共五个参数:

Args Annotation
第一个参数input 指需要做卷积的输入图像,它要求是一个Tensor,具有[batch, in_height, in_width, in_channels]这样的shape,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],注意这是一个4维的Tensor,要求类型为float32和float64其中之一
第二个参数filter 相当于CNN中的卷积核,它要求是一个Tensor,具有[filter_height, filter_width, in_channels, out_channels]这样的shape,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
第三个参数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
第四个参数padding string类型的量,只能是"SAME","VALID"其中之一,这个值决定了不同的卷积方式
第五个参数 use_cudnn_on_gpu:bool类型,是否使用cudnn加速,默认为true

结果返回: 一个Tensor,这个输出,就是我们常说的feature map

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')


你可能感兴趣的:(tf.nn.conv2d)