卷积与池化

卷积函数：

tf.nn.conv2d(
 input_输入（batch, h, w, channels）,
 filter_卷积核（k_h, k_w, k_in, k_out）,
 strides_卷积核的移动步长（1，s_h, s_w, 1）,
 padding(same:自动补0，步长为1时，输入输出大小相同；
  valid：不自动补0),
 use_cudnn_on_gpu=True,
 data_format='NHWC'
 dilations=[1, 1, 1, 1], 
 name=None
)

input：输入，4维tensor(batch, h, w, channels)

• batch：一次输入多少张图片，可以是1或者其他数
• h：输入的高度
• w：输入的宽度
• channels：一张图片的通道数，比如一个RGB图像的通道数为3

filter：卷积核 ，4维tensor（k_h, k_w, in, out）

• in：卷积需要作用输入图片的通道数
• out：卷积核个数，也称为输出的通道数

卷积层

• 输入尺寸：$W_1$ * $H_1$ * $D_1$
• 输出尺寸：$W_2$ * $H_2$ * $D_2$
• 4个超参数：
  • 卷积核数量K
  • 卷积核尺寸大小F
  • 步长S
  • 零填充P
• $W_2=(W_1-F+2P)/S+1$
• $H_2=(H_1-F+2P)/S+1$
• $D_2=K$

---

池化函数：

#最大值池化
tf.nn.max_pool（
 value_池化输入（batch, h, w, channels）,
 ksize_池化核的大小（1, k_h, k_w, 1）,
 strides_池化核的移动步长（1，s_h, s_w, 1）,
 padding,
 data_format='NHWC',
 name=None
）

池化层

• 输入尺寸：$W_1$ * $H_1$ * $D_1$
• 输出尺寸：$W_2$ * $H_2$ * $D_2$
• 2个超参数
  • 卷积核尺寸大小F
  • 步长S
• $W_2=(W_1-F)/S+1$
• $H_2=(H_1-F)/S+1$
• $D_2=D_1$