tf.nn.conv2d（） 参数说明
tf.nn.conv2d用法详解
- tf.nn.conv2d()
我们已经知道这个函数是用于做二维卷积的，但是他容易和tf.layers.conv2d()混淆。对于初学者来说，他的参数也不是那么容易理解，只是了解到一点皮毛，并不能一下子就记住。下面我们来看一下他定义时的参数：
def conv2d(input, # 张量输入
filter, # 卷积核参数
strides, # 步长参数
padding, # 卷积方式
use_cudnn_on_gpu=None, # 是否是gpu加速
data_format=None, # 数据格式，与步长参数配合，决定移动方式
name=None): # 名字，用于tensorboard图形显示时使用
认真看过后，其实没有那么头大，核心只有2点， 也是你设计一个卷积必须要有的两点
1、 卷积核
你想象一下，我们要定义卷积核，需要定义哪几个东西才能将他确定下来？卷积核长度，一定要有吧！卷积核宽度也是必不可少的吧！还有一个容易忽略的东西，通道数量。图片有单通道的灰度图，有3通道的RGB图片，所以这个也一定要有。
所以通常对于filter, 定义为一个列表或4-D tensor [filter_height, filter_width, in_channels, out_channels]]
2、步长
卷积核相对图片滑动，然后进行卷积，提取特征。细想，问题有两个，怎么相对? 滑动多少？ 那么步长（strides）来帮你解决问题。
步长（strides）就是移动方式，图片（张量以下我们以图片，代替，方便理解，即二维数据）数据有通道数，有长宽，卷积核是先按宽度方向按指定步长移动，还是按高度方向？，还是按通道方向？这个得有个说法。我们帖一个数据结构图
移动方式一： 第一个元素是000，第二个元素是沿着w方向的，即001，这样下去002 003，再接着呢就是沿着H方向，即004 005 006 007…这样到09后，沿C方向，轮到了020，之后021 022 …一直到319，然后再沿N方向。————这种方式叫：NCHW (注意顺序，N是n，是数量，C是channel， H是height， W是weight)
移动方式二：第一个元素是000，第二个沿C方向，即020，040, 060…一直到300，之后沿W方向，001 021 041 061…301…到了303后，沿H方向，即004 024 .。。304.。最后到了319，变成N方向，320,340…————这种方式叫：NHWC
所以dataformat参数的取值有两种，NCHW ,NHWC,默认是NHWC。
那么，与此dataformat配合的strides如何取值呢？
当dataformat是默认的NHWC时，strides=[batch, height, width, channels]
当dataformat是NCHW时，strides=[batch, channels, height, width]
那么，是不是有个疑问，为什么两个顺序不一样?这不科学嘛!
其实你认真看，strides的顺序是dataformat数据顺序是一致的，你看NHWC -> [b(n), h, w, c]->[batch,height,wight, channel]。通常我们都没有更改默认设置，所以strides是[batch, height, width, channels],所以当你找到定义函数文档有这样的说明
Must have strides[0] = strides[3] = 1. For the most common case of the same
horizontal and vertices strides, strides = [1, stride, stride, 1].
还有，不光strides如此，连input也是如此，请看input和data_format的说明
Args:
input: A Tensor. Must be one of the following types: half, float32.
A 4-D tensor. The dimension order is interpreted according to the value
of data_format, see below for details.
data_format: An optional string from: "NHWC", "NCHW". Defaults to "NHWC".
Specify the data format of the input and output data. With the
default format “NHWC”, the data is stored in the order of:
[batch, height, width, channels].
Alternatively, the format could be “NCHW”, the data storage order of:
[batch, channels, height, width].
到此，相信大家已经十分清楚tf.nn.conved()参数的来龙去脉了，如有疑问，欢迎指正。