tensorflow常见算子学习笔记(一)：conv2d

函数说明

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

(1) conv2d参数说明

• input: [batch, inputHeight, inputWidth, inputChannel]
• filter: 卷积核，[filterHeight，filterWidth，filterChannel，filterNumber],
  inputChannel = filterChannel
• strides: 步长，长度为4的一维向量，strides[0]=strides[3]=1，strides[1]表示行方向步长，strides[2]表示列方向步长，一般strides[1]=strides[2]
• padding: 边界，“SAME”:补齐，“VALID”:舍弃
  补齐个数n: $n=filterWidth-(inputWidth\%strides)$
  舍弃个数n: $n=inputWidth-filterWidth-(\lfloor \frac{inputWidth}{stride}\rfloor -1)\ast stride$
• 其他参数：略

(2) 输出feature map shape计算

• SMAE 模式
  • $featureMapwidth=\lceil \frac{inputWidth}{stride}\rceil$
• VAILD 模式
  • $featureMapwidth=\lceil \frac{inputWidth-filtertWidth-1}{stride}\rceil$
• 简单结论
  • stride = 1, 则 featureMapwidth = inputWidth，与其他参数无关

(3) 卷积的过程简易描述

inputShape:[1,227,227,3]
filterShape:[3,3,3,64]
inputTensor有3个通道，那么每个卷积核的深度也是3，卷积核的每个通道分别对接inputTensor的每个通道进行并行特征采集，然后求3个特征的采集数据值和作为该卷积核的特征采集结果。

(4) 一些基本概念

1.输入通道数=卷积核的深度（针对深度不分离卷积）
2.卷积核的个数=输出通道数
3.全连接才会加偏置，卷积不会，weight就是卷积核的参数承载
4.weight的shape[0],shape[1]就是卷积核的高与宽
5.输出feature map shape由pad模式，卷积核shape，stride3个参数共同决定；但是只有VALID模式下与卷积核形状有关系。