tf.nn.conv2d详解

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, in_width, in_channels]这样的shape，具体含义是[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

2.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。

3.strides

第三个参数strides：卷积时在图像每一维的步长：一个长度为4的一维列表，每个元素跟data_format互相对应，表示在data_format每一维上的移动步长。当输入的默认格式为：“NHWC”，则 strides = [batch , in_height , in_width, in_channels]。其中 batch 和 in_channels 要求一定为1，即只能在一个样本的一个通道上的特征图上进行移动，in_height , in_width表示卷积核在特征图的高度和宽度上移动的步长。

4.padding

string类型的量，只能是"SAME","VALID"其中之一

5.use_cudnn_on_gpu

use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

6.data_format

data_format="NHWC" 指明输入数据和输出数据的格式，有两种

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].

N代表数量， C代表channel，H代表高度，W代表宽度。

NCHW其实代表的是[W H C N]，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。

NHWC的话以此类推，代表的是[C W H N]，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....

7.dilations

An optional list of `ints`. Defaults to `[1, 1, 1, 1]`.1-D tensor of length 4. The dilation factor for each dimension of `input`.

If set to k > 1, there will be k-1 skipped cells between each filter element on that dimension.

The dimension order is determined by the value of `data_format`, see above for details. Dilations in the batch and depth dimensions must be 1.

8.name

指定卷积操作的名字

 

 

https://www.cnblogs.com/sunny-li/p/9630305.html

https://blog.csdn.net/cxmscb/article/details/71023576