我是谁的小超人
我是谁的小超人

tf.nn.conv2d()

概述

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要。

说明

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

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
  • 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
  • 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
  • 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法，当其为‘SAME’时，表示卷积核可以停留在图像边缘。
  • use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true
  • name：指定该操作的name

返回

结果返回一个Tensor，这个输出，就是我们常说的feature map

实例

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。输出：[1,3, 3, 1]

input_arg = tf.Variable(tf.ones([1, 3, 3, 1]))
filter_arg = tf.Variable(tf.ones([1, 1, 1, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 3, 3, 1], 
                   use_cudnn_on_gpu=False, padding='VALID')

--------------case1--------------
[[[[ 1.]
[ 1.]
[ 1.]]

[[ 1.]
[ 1.]
[ 1.]]

[[ 1.]
[ 1.]
[ 1.]]]]

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点积。输出：[1, 3, 3, 1]

input_arg = tf.Variable(tf.ones([1, 3, 3, 5]))
filter_arg = tf.Variable(tf.ones([1, 1, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                   use_cudnn_on_gpu=False, padding='VALID')

--------------case2--------------
[[[[ 5.]
[ 5.]
[ 5.]]

[[ 5.]
[ 5.]
[ 5.]]

[[ 5.]
[ 5.]
[ 5.]]]]

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。输出：[1, 1, 1, 1]

input_arg = tf.Variable(tf.ones([1, 3, 3, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='VALID')

--------------case3--------------
[[[[ 45.]]]]

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。
注意我们可以把这种情况看成情况2和情况3的中间状态，卷积核以步长1滑动遍历全图，以下x表示的位置，表示卷积核停留的位置，每停留一个，输出feature map的一个像素。输出：[1, 3, 3, 1]
.....
.xxx.
.xxx.
.xxx.
.....

input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='VALID')

--------------case4--------------
[[[[ 45.]
[ 45.]
[ 45.]]

[[ 45.]
[ 45.]
[ 45.]]

[[ 45.]
[ 45.]
[ 45.]]]]

5.上面我们一直令参数padding的值为‘VALID’，当其为‘SAME’时，表示卷积核可以停留在图像边缘，输出：[1, 5, 5, 1]
xxxxx
xxxxx
xxxxx
xxxxx
xxxxx

input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')

--------------case5--------------
[[[[ 20.]
[ 30.]
[ 30.]
[ 30.]
[ 20.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 20.]
[ 30.]
[ 30.]
[ 30.]
[ 20.]]]]

6.如果卷积核有多个，此时输出7张5×5的feature map。输出：[1, 5, 5, 7]

 input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case6'])

--------------case6--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

7.步长不为1的情况，文档里说了对于图片，因为只有两维，通常strides取[1，stride，stride，1]。输出：[1, 3, 3, 7]
x.x.x
.....
x.x.x
.....
x.x.x

input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 2, 2, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case7'])

--------------case7--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

8.如果batch值不为1，同时输入4张图，输出的每张图，都有7张3×3的feature map。输出：[4, 3, 3, 7]

input_arg = tf.Variable(tf.ones([4, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 2, 2, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')

--------------case8--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

代码

import tensorflow as tf

oplist = []

# input_arg = [batch, in_height, in_width, in_channels]
# filter_arg = [filter_height, filter_width, in_channels, out_channels]

# case 1
input_arg = tf.Variable(tf.ones([1, 3, 3, 1]))
filter_arg = tf.Variable(tf.ones([1, 1, 1, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                   use_cudnn_on_gpu=False, padding='VALID')
oplist.append([op, 'case1'])

# case 2
input_arg = tf.Variable(tf.ones([1, 3, 3, 5]))
filter_arg = tf.Variable(tf.ones([1, 1, 5, 1]))

op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                   use_cudnn_on_gpu=False, padding='VALID')
oplist.append([op, 'case2'])

# case 3
input_arg = tf.Variable(tf.ones([1, 3, 3, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='VALID')
oplist.append([op, 'case3'])

# case 4
input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='VALID')
oplist.append([op, 'case4'])

# case 5
input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 1]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case5'])

# case 6
input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 1, 1, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case6'])

# case 7
input_arg = tf.Variable(tf.ones([1, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 2, 2, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case7'])

# case 8
input_arg = tf.Variable(tf.ones([4, 5, 5, 5]))
filter_arg = tf.Variable(tf.ones([3, 3, 5, 7]))
op = tf.nn.conv2d(input_arg, filter_arg, strides=[1, 2, 2, 1], 
                  use_cudnn_on_gpu=False, padding='SAME')
oplist.append([op, 'case8'])

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    for aop in oplist:
        print('--------------{}--------------'.format(aop[1]))  
        print(sess.run(aop[0]))
        print('\n')

--------------case1--------------
[[[[ 1.]
[ 1.]
[ 1.]]

[[ 1.]
[ 1.]
[ 1.]]

[[ 1.]
[ 1.]
[ 1.]]]]

--------------case2--------------
[[[[ 5.]
[ 5.]
[ 5.]]

[[ 5.]
[ 5.]
[ 5.]]

[[ 5.]
[ 5.]
[ 5.]]]]

--------------case3--------------
[[[[ 45.]]]]

--------------case4--------------
[[[[ 45.]
[ 45.]
[ 45.]]

[[ 45.]
[ 45.]
[ 45.]]

[[ 45.]
[ 45.]
[ 45.]]]]

--------------case5--------------
[[[[ 20.]
[ 30.]
[ 30.]
[ 30.]
[ 20.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 30.]
[ 45.]
[ 45.]
[ 45.]
[ 30.]]

[[ 20.]
[ 30.]
[ 30.]
[ 30.]
[ 20.]]]]

--------------case6--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

--------------case7--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

--------------case8--------------
[[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]

[[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]

[[ 30. 30. 30. ..., 30. 30. 30.]
[ 45. 45. 45. ..., 45. 45. 45.]
[ 30. 30. 30. ..., 30. 30. 30.]]

[[ 20. 20. 20. ..., 20. 20. 20.]
[ 30. 30. 30. ..., 30. 30. 30.]
[ 20. 20. 20. ..., 20. 20. 20.]]]]

参考

http://www.cnblogs.com/welhzh/p/6607581.html

你可能感兴趣的:(tf.nn.conv2d())

  • TensorFlow(3)CNN中的函数 山阴少年
    tf.nn.conv2d()函数参数介绍：tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)input：输入参数，具有这样的shape[batch,in_height,in_width,in_channels]，分别是[batch张图片,每张图片高度为in_height,每张图片宽度为in_width
  • 深度学习第四课程笔记-卷积神经网络 Da_haihuang 深度学习笔记计算机视觉卷积人工智能深度学习
    边缘检测我们看下下面的图这个图反应了卷积神经网络的第一步，边缘检测，可以先检测横或者竖的线。左侧部分为一个图片的灰度图（没有其他色RGB），中间是我们的3*3滤波器(也叫卷积核),*号是卷积的标志，右侧也可以看成一个灰度图。注意这里不是矩阵的相乘，在python中使用conv_forward,在tensorflow里使用tf.nn.conv2d,在keras中使用Conv2D实现来看一个更简单的是
  • Tensorflow(5) Tensorflow中tf.nn.conv2d()方法详解 冰魂铁心
    在TensorFlow中使用tf.nn.conv2d实现卷积操作。方法定义tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)参数：input:输入的要做卷积的图片，要求为一个张量，shape为[batch,in_height,in_width,in_channel]，
  • 三维点云中tf.nn.conv2d() 的用法 猴子喜
    pointnet中就用tf.nn.conv2d()，然后封装了一下，真的很麻烦，也没什么特殊，基本可以用tf.layers层次的API替代。处理的数据是B,N,3的point_cloud，实际代码中对point_cloud进行了扩维处理input_image=tf.expand_dims(point_cloud,-1)，将点云拓展成了BHWC格式的图像，此时input_image的维度为B,N,3
  • 一个简单可运行的tensorflow CNN代码 布口袋_天晴了
    #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：#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
  • 【深度学习】tensorflow 卷积神经网络 实现手写数字识别 ♚人间海 神经网络卷积tensorflow深度学习
    激活函数：tf.nn.relu(features,name=None)features:卷积后加上偏置的结果return:结果卷积层：tf.nn.conv2d(input,filter,strides=,padding=,name=None)计算给定4-Dinput和filter张量的2维卷积input：给定的输入张量，具有[batch,heigth,width,channel]，类型为float
  • 学习Tensorflow之卷积神经网络 _DiMinisH 深度学习tensorflow
    学习Tensorflow之卷积神经网络卷积神经网络1.卷积神经网络发展历史2.卷积神经网络原理(1)局部感知(2)权值共享(3)边缘处理和步长(4)下采样（池化）(5)卷积后的宽度计算(6)池化后的宽度计算3.TensorFlow实现卷积神经网络(1)tf.nn.conv2d(2)tf.nn.max_pool与tf.nn.avg_pool(3)卷积层类与池化层类4.CIFAR-10数据集实战(1)
  • tf.nn.conv2d详解 wwwlyj123321 TensorFlow
    tf.nn.conv2d是TensorFlow里面实现二维卷积的函数，函数原型如下：conv2d(input,filter,strides,padding,use_cudnn_on_gpu=True,data_format="NHWC",dilations=[1,1,1,1],name=None):1.input指需要做卷积的输入图像，它要求是一个Tensor，具有[batch,in_height
  • tf.nn.conv2d()详解 ZQSZXY tensorflowtf.nn.conv2d()TensorFlow
    tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要。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：第一个参数input：指需要做
  • tf.nn.conv2d & tf.contrib.layers.conv2d & tf.contrib.slim.conv2d WeissSama NeuralNetworkDeepLearningTensorflow
    本文主要介绍前两个函数tf.nn.conv2d和tf.contrib.layers.conv2d因为tf.contrib.layers.conv2d和tf.contrib.slim.conv2d用法是相似的，都是高级api，只是slim是一个更高级别的库，用slim中的repeat函数，可以用几行就写出一个vgg16网络。但是tf.nn和tf.contrib.layers是基本ops，最常见也最重
  • TypeError: Got an unexpected keyword argument ‘use_cudnn_on_gpu‘ 淋雨的小蚂蚁 python人工智能windows
    layerInput=tf.nn.conv2d(model_inputs,#[batch,1,length,100]filter_weights,strides=[1,1,1,1],padding="SAME",name="init_layer",use_cudnn_on_gpu=True)在tensorflow2.0中此代码报错，把use_cudnn_on_gpu=True删除就可以了
  • 【TensorFlow】理解tf.nn.conv2d方法 yaoyilmm
    方法定义tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)参数：input:输入的要做卷积的图片，要求为一个张量，shape为[batch,in_height,in_weight,in_channel]，其中batch为图片的数量，in_height为图片高度，in_
  • 卷积神经网络边缘检测实例 程序之巅
    注：本文是吴恩达网易公开课的学习笔记电脑如何搞清楚一张图片中的物体？首先电脑需要检测楚图片中的垂直边缘（verticaledge），水平边缘（horizontal）。电脑通过卷积检测出做边缘检测。垂直边缘检测过程：卷积是将图片和卷积核进行卷积的过程，在python里面用的是conv_forward,tensorflow中用的是tf.nn.conv2d,在Keras中用的是Conv2D如果将一个有着
  • Tensorflow入门到实战五(卷积神经网络) 黑洲非人lyf Tensorflow
    方法定义tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)参数：**input:**输入的要做卷积的图片，要求为一个张量，shape为[batch,in_height,in_weight,in_channel]，其中batch为图片的数量，in_height为图片高度
  • TensorFlow中的卷积操作和反卷积操作 乐安的皮卡 深度学习TensorFlow卷积操作反卷积操作SAME和VALID
    最近在看全连接网络的一些代码，里面的反卷积操作还是有点意思的，写个博客记录一下自己的心得，以便后续自己的查看1.卷积操作在TensorFlow中，由tf.nn.conv2d()函数来实现卷积操作，举个例子y4=tf.nn.conv2d(x2,kernel,strides=[1,2,2,1],padding=“SAME”)具体讲一下函数的参数含义第一个参数：是一个四维的张量输入，具有[batch_s
  • 深度学习之卷积神经网络（3）卷积层实现 炎武丶航 深度学习TensorFlow2神经网络tensorflow深度学习
    深度学习之卷积神经网络（3）卷积层实现1.自定义权值2.卷积层类 在TensorFlow中，既可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速搭建复杂网络。我们主要以2D卷积为例，介绍如何实现卷积神经网络层。1.自定义权值 在TensorFlow中，通过tf.nn.conv2d函数可以方便地实现2D卷积运算。tf.nn.conv2d基于输入X:[b,h,w,
  • Tensorflow2.0之卷积层实现 AndSonder 小白的ai学习之路TF2卷积神经网络网络pythontensorflow
    文章目录Tensorflow2.0之卷积层实现自定义权值Keras高层接口卷积层类Tensorflow2.0之卷积层实现自定义权值在TensorFlow中，通过tf.nn.conv2d函数可以方便地实现2D卷积运算。tf.nn.conv2d基于输入:ℎ和卷积核:进行卷积运算，得到输出ℎ′′，其中表示输入通道数，表示卷积核的数量，也是输出特征图的通道数。例如：In[1]:x=tf.random.no
  • Tensorflow 卷积层实现 呆若木鸡～呆 tensorflow深度学习
    在TensorFlow中，可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速搭建复杂网络。卷积运算输出大小公式：h’=(h+2Ph-k)/s+1(向下取整)w’=(w+2Pw-k)/s+1(向下取整)卷积核的大小k、步长s、填充数p、输入的高h和宽w1、自定义权值在TensorFlow中，通过tf.nn.conv2d函数可以实现2D卷积运算。#模拟输入x=tf
  • 二维卷积详解，zero padding 和shape=full, same, valid详解 push_ 公式图像处理python笔记tensorflowpytorch卷积
    本文主要解释：(1)传统离散信号处理中的卷积维度L=M+N-1；(2)matlab卷积函数中的shape=full,same,valid所导致的不同卷积输出维度，和tensorflow的tf.nn.conv2d中的padding=same,valid导致的不同输出维度；(3)pytorch中的卷积函数中设置的padding以及torch官方给的卷积的shape计算公式(https://pytorc
  • 【TensorFlow】卷积tf.nn.conv2d()函数使用解析 ( 附代码详解注释 ) 人工智能有点 函数用法tensorflowpython
    最近在研究学习TensorFlow，在做识别手写数字的demo时，遇到了tf.nn.conv2d这个方法，查阅了官网的API发现讲得比较简略，还是没理解。google了一下，参考了网上一些朋友写得博客，结合自己的理解，差不多整明白了。方法定义tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=Non
  • tf.nn.conv2d 林尧彬 人工智能tensorflow
    【TensorFlow】理解tf.nn.conv2d方法(附代码详解注释)2018年06月06日14:31:32左理想fisher阅读数24046更多分类专栏：tensorflow最近在研究学习TensorFlow，在做识别手写数字的demo时，遇到了tf.nn.conv2d这个方法，查阅了官网的API发现讲得比较简略，还是没理解。google了一下，参考了网上一些朋友写得博客，结合自己的理解，差
  • tf.nn.conv2d用法 仁义礼智信达 TensorFlowPythonpythontensorflow
    tf.nn.conv2d：给定input和4Dfilters张量计算2D卷积。tf.nn.conv2d(input,filters,strides,padding,data_format='NHWC',dilations=None,name=None)输入input张量可以具有秩4或更高，其中，形状维度[:-3]被认为是批量维度（batch_shape）。给定shape的输入张量batch_sha
  • TensorFlow基础篇（六）——tf.nn.max_pool()和tf.nn.avg_pool() ooMelloo TensorFlow基础篇
    tf.nn.max_pool()和tf.nn.avg_pool()是TensorFlow中实现最大池化和平均池化的函数，在卷积神经网络中比较核心的方法。有些和卷积很相似，可以参考TensorFlow基础篇（七）——tf.nn.conv2d()（附代码详解）两个函数调用方式相同，下边讲解以tf.nn.max_pool()为例子进行加讲解。函数格式：tf.nn.max_pool（value,ksize
  • python +tnesorflow 使用tf.nn.conv2d （）为什么输入和权重的shape 不一样 兔白DingZiLin python人工智能总结
    基于python+tensorflow的深度学习中，数据的输入一般为[batch,in_height,in_weight,in_channel]权重格式一般为[filter_height,filter_weight,in_channel,out_channels]，其中filter_height为卷积核高度，filter_weight为卷积核宽度，in_channel是图像通道数，和input的i
  • tensorflow 卷积层 weixin_33711641 人工智能
    TensorFlow卷积层让我们看下如何在TensorFlow里面实现CNN。TensorFlow提供了tf.nn.conv2d()和tf.nn.bias_add()函数来创建你自己的卷积层。#Outputdepthk_output=64#ImagePropertiesimage_width=10image_height=10color_channels=3#Convolutionfilterfi
  • TensorFlow 添加卷积层 机器学习Zero #Tensorflow
    Tensorflow中提供了tf.nn.conv2d与tf.layers.conv2d用于添加卷积层，两者功能类似，后者为更高一级的api,和keras.layer类似。前者的激活函数需要另外代码，后者的激活函数是一个参数，不需要另外代码。1.tf.nn.conv2dtf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=True,da
  • TensorFlow 卷积层 Nicole_Li1095 人工智能
    TensorFlow卷积层让我们看下如何在TensorFlow里面实现CNN。TensorFlow提供了tf.nn.conv2d()和tf.nn.bias_add()函数来创建你自己的卷积层。1#Outputdepth2k_output=6434#ImageProperties5image_width=106image_height=107color_channels=389#Convolutio
  • TensorFlow学习笔记——MNIST手写数字识别的CNN代码实现（代码注释详细，方便小清新入门） Colynn Johnson Tensorflow神经网络图像识别pythontensorflow人工智能
    1.全连接神经网络vs.卷积神经网络1.1全连接神经网络1.2卷积神经网络结构2.卷积神经网络核心函数介绍2.1卷积函数tf.nn.conv2d()2.2池化函数tf.nn.max_pool()和tf.nn.avg_pool()3.基于TensorFlow的mnist数字识别CNN代码实现3.1mnist的CNN程序主要包括以下几块内容3.2代码实现1.全连接神经网络vs.卷积神经网络1.1全连接
  • python卷积神经网络识别物体 weixin_42353399 神经网络Python卷积神经网络
    python卷积神经网络识别物体介绍函数卷积：tf.nn.conv2d(...)池化函数：数据集实现导入数据预处理建立模型训练可视化评估，预测代码介绍模型：函数卷积：tf.nn.conv2d(…)参数：input：输入，4维（[batch,in_height,in_width,in_channels]），类型float32或float64。filter：卷积核，（[filter_height,fi
  • Tensorflow实战学习(十四)【卷积层、激活函数、池化层、归一化层、高级层】 风神修罗使 神经网络
    CNN神经网络架构至少包含一个卷积层(tf.nn.conv2d)。单层CNN检测边缘。图像识别分类，使用不同层类型支持卷积层，减少过拟合，加速训练过程，降低内存占用率。TensorFlow加速所有不同类弄卷积层卷积运算。tf.nn.depthwise_conv2d，一个卷积层输出边接到另一个卷积层输入，创建遵循Inception架构网络RethinkingtheInceptionArchitect
  • 多线程编程之理财 周凡杨 java多线程生产者消费者理财
          现实生活中，我们一边工作，一边消费，正常情况下会把多余的钱存起来，比如存到余额宝，还可以多挣点钱，现在就有这个情况：我每月可以发工资20000万元 （暂定每月的1号），每月消费5000（租房+生活费）元（暂定每月的1号），其中租金是大头占90%，交房租的方式可以选择（一月一交，两月一交、三月一交），理财：1万元存余额宝一天可以赚1元钱，
  • [Zookeeper学习笔记之三]Zookeeper会话超时机制 bit1129 zookeeper
    首先，会话超时是由Zookeeper服务端通知客户端会话已经超时，客户端不能自行决定会话已经超时，不过客户端可以通过调用Zookeeper.close()主动的发起会话结束请求，如下的代码输出内容 Created /zoo-739160015 CONNECTEDCONNECTED .............CONNECTEDCONNECTED CONNECTEDCLOSEDCLOSED
  • SecureCRT快捷键 daizj secureCRT快捷键
    ctrl + a : 移动光标到行首ctrl + e ：移动光标到行尾crtl + b: 光标前移1个字符crtl + f: 光标后移1个字符crtl + h : 删除光标之前的一个字符ctrl + d ：删除光标之后的一个字符crtl + k ：删除光标到行尾所有字符crtl + u : 删除光标至行首所有字符crtl + w:  删除光标至行首
  • Java 子类与父类这间的转换 周凡杨 java 父类与子类的转换
        最近同事调的一个服务报错，查看后是日期之间转换出的问题。代码里是把 java.sql.Date 类型的对象 强制转换为 java.sql.Timestamp 类型的对象。报java.lang.ClassCastException。       代码：            
  • 可视化swing界面编辑 朱辉辉33 eclipseswing
          今天发现了一个WindowBuilder插件，功能好强大，啊哈哈，从此告别手动编辑swing界面代码，直接像VB那样编辑界面，代码会自动生成。       首先在Eclipse中点击help，选择Install New Software,然后在Work with中输入WindowBui
  • web报表工具FineReport常用函数的用法总结（文本函数） 老A不折腾 finereportweb报表工具报表软件java报表
    文本函数 CHAR CHAR(number):根据指定数字返回对应的字符。CHAR函数可将计算机其他类型的数字代码转换为字符。 Number:用于指定字符的数字，介于1Number:用于指定字符的数字，介于165535之间（包括1和65535）。 示例: CHAR(88)等于“X”。 CHAR(45)等于“-”。   CODE CODE(text):计算文本串中第一个字
  • mysql安装出错 林鹤霄 mysql安装
    [root@localhost ~]# rpm -ivh MySQL-server-5.5.24-1.linux2.6.x86_64.rpm Preparing...                #####################
  • linux下编译libuv aigo libuv
    下载最新版本的libuv源码，解压后执行： ./autogen.sh   这时会提醒找不到automake命令，通过一下命令执行安装（redhat系用yum，Debian系用apt-get）： # yum -y install automake # yum -y install libtool     如果提示错误：make: *** No targe
  • 中国行政区数据及三级联动菜单 alxw4616
    近期做项目需要三级联动菜单,上网查了半天竟然没有发现一个能直接用的! 呵呵,都要自己填数据....我了个去这东西麻烦就麻烦的数据上. 哎,自己没办法动手写吧. 现将这些数据共享出了,以方便大家.嗯,代码也可以直接使用   文件说明 lib\area.sql -- 县及县以上行政区划分代码（截止2013年8月31日)来源：国家统计局 发布时间：2014-01-17 15:0
  • 哈夫曼加密文件 百合不是茶 哈夫曼压缩哈夫曼加密二叉树
     在上一篇介绍过哈夫曼编码的基础知识,下面就直接介绍使用哈夫曼编码怎么来做文件加密或者压缩与解压的软件,对于新手来是有点难度的,主要还是要理清楚步骤;   加密步骤:  1,统计文件中字节出现的次数,作为权值   2,创建节点和哈夫曼树   3,得到每个子节点01串   4,使用哈夫曼编码表示每个字节  
  • JDK1.5 Cyclicbarrier实例 bijian1013 javathreadjava多线程Cyclicbarrier
    CyclicBarrier类 一个同步辅助类，它允许一组线程互相等待，直到到达某个公共屏障点 (common barrier point)。在涉及一组固定大小的线程的程序中，这些线程必须不时地互相等待，此时 CyclicBarrier 很有用。因为该 barrier 在释放等待线程后可以重用，所以称它为循环的 barrier。 CyclicBarrier支持一个可选的 Runnable 命令，
  • 九项重要的职业规划 bijian1013 工作学习
    一. 学习的步伐不停止        古人说，活到老，学到老。终身学习应该是您的座右铭。        世界在不断变化，每个人都在寻找各自的事业途径。        您只有保证了足够的技能储
  • 【Java范型四】范型方法 bit1129 java
    范型参数不仅仅可以用于类型的声明上，例如   package com.tom.lang.generics; import java.util.List; public class Generics<T> { private T value; public Generics(T value) { this.value =
  • 【Hadoop十三】HDFS Java API基本操作 bit1129 hadoop
      package com.examples.hadoop; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileStatus; import org.apache.hadoo
  • ua实现split字符串分隔 ronin47 lua split
    LUA并不象其它许多"大而全"的语言那样，包括很多功能，比如网络通讯、图形界面等。但是LUA可以很容易地被扩展：由宿主语言(通常是C或 C++)提供这些功能，LUA可以使用它们，就像是本来就内置的功能一样。LUA只包括一个精简的核心和最基本的库。这使得LUA体积小、启动速度快，从 而适合嵌入在别的程序里。因此在lua中并没有其他语言那样多的系统函数。习惯了其他语言的字符串分割函
  • java-从先序遍历和中序遍历重建二叉树 bylijinnan java
    public class BuildTreePreOrderInOrder { /** * Build Binary Tree from PreOrder and InOrder * _______7______ / \ __10__ ___2 / \ / 4
  • openfire开发指南《连接和登陆》 开窍的石头 openfire开发指南smack
    第一步     官网下载smack.jar包     下载地址：http://www.igniterealtime.org/downloads/index.jsp#smack 第二步     把smack里边的jar导入你新建的java项目中 开始编写smack连接openfire代码 p
  • [移动通讯]手机后盖应该按需要能够随时开启 comsci 移动
        看到新的手机，很多由金属材质做的外壳，内存和闪存容量越来越大，CPU速度越来越快，对于这些改进，我们非常高兴，也非常欢迎      但是，对于手机的新设计，有几点我们也要注意      第一：手机的后盖应该能够被用户自行取下来，手机的电池的可更换性应该是必须保留的设计,
  • 20款国外知名的php开源cms系统 cuiyadll cms
    内容管理系统，简称CMS，是一种简易的发布和管理新闻的程序。用户可以在后端管理系统中发布，编辑和删除文章，即使您不需要懂得HTML和其他脚本语言，这就是CMS的优点。 在这里我决定介绍20款目前国外市面上最流行的开源的PHP内容管理系统，以便没有PHP知识的读者也可以通过国外内容管理系统建立自己的网站。 1. Wordpress WordPress的是一个功能强大且易于使用的内容管
  • Java生成全局唯一标识符 darrenzhu javauuiduniqueidentifierid
    How to generate a globally unique identifier in Java http://stackoverflow.com/questions/21536572/generate-unique-id-in-java-to-label-groups-of-related-entries-in-a-log http://stackoverflow
  • php安装模块检测是否已安装过, 使用的SQL语句 dcj3sjt126com sql
    SHOW [FULL] TABLES [FROM db_name] [LIKE 'pattern'] SHOW TABLES列举了给定数据库中的非TEMPORARY表。您也可以使用mysqlshow db_name命令得到此清单。 本命令也列举数据库中的其它视图。支持FULL修改符，这样SHOW FULL TABLES就可以显示第二个输出列。对于一个表，第二列的值为BASE T
  • 5天学会一种 web 开发框架 dcj3sjt126com Web框架framework
    web framework层出不穷，特别是ruby/python,各有10+个,php/java也是一大堆 根据我自己的经验写了一个to do list,按照这个清单，一条一条的学习，事半功倍，很快就能掌握 一共25条，即便很磨蹭，2小时也能搞定一条，25*2=50。只需要50小时就能掌握任意一种web框架 各类web框架大同小异:现代web开发框架的6大元素，把握主线，就不会迷路 建议把本文
  • Gson使用三(Map集合的处理,一对多处理) eksliang jsongsonGson mapGson 集合处理
    转载请出自出处：http://eksliang.iteye.com/blog/2175532 一、概述        Map保存的是键值对的形式，Json的格式也是键值对的，所以正常情况下，map跟json之间的转换应当是理所当然的事情。 二、Map参考实例 package com.ickes.json; import java.lang.refl
  • cordova实现“再点击一次退出”效果 gundumw100 android
    基本的写法如下： document.addEventListener("deviceready", onDeviceReady, false); function onDeviceReady() { //navigator.splashscreen.hide(); document.addEventListener("b
  • openldap configuration leaning note iwindyforest configuration
    hostname // to display the computer name hostname <changed name> // to change go to: /etc/sysconfig/network, add/modify HOSTNAME=NEWNAME to change permenately dont forget to change /etc/hosts
  • Nullability and Objective-C 啸笑天 Objective-C
    https://developer.apple.com/swift/blog/?id=25   http://www.cocoachina.com/ios/20150601/11989.html   http://blog.csdn.net/zhangao0086/article/details/44409913   http://blog.sunnyxx
  • jsp中实现参数隐藏的两种方法 macroli JavaScriptjsp
    在一个JSP页面有一个链接，//确定是一个链接?点击弹出一个页面，需要传给这个页面一些参数。//正常的方法是设置弹出页面的src="***.do?p1=aaa&p2=bbb&p3=ccc"//确定目标URL是Action来处理?但是这样会在页面上看到传过来的参数，可能会不安全。要求实现src="***.do"，参数通过其他方法传！//////
  • Bootstrap A标签关闭modal并打开新的链接解决方案 qiaolevip 每天进步一点点学习永无止境bootstrap纵观千象
    Bootstrap里面的js modal控件使用起来很方便，关闭也很简单。只需添加标签 data-dismiss="modal" 即可。 可是偏偏有时候需要a标签既要关闭modal，有要打开新的链接，尝试多种方法未果。只好使用原始js来控制。   <a href="#/group-buy" class="btn bt
  • 二维数组在Java和C中的区别 流淚的芥末 javac二维数组数组
    Java代码：   public class test03 { public static void main(String[] args) { int[][] a = {{1},{2,3},{4,5,6}}; System.out.println(a[0][1]); } }  运行结果： Exception in thread "mai
  • systemctl命令用法 wmlJava linuxsystemctl
    对比表，以 apache / httpd 为例 任务 旧指令 新指令 使某服务自动启动 chkconfig --level 3 httpd on systemctl enable httpd.service 使某服务不自动启动 chkconfig --level 3 httpd off systemctl disable httpd.service 检查服务状态 service h
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他