神经网络基础-神经网络补充概念-60-卷积步长

概念

在深度学习中，卷积步长（convolution stride）是指在卷积操作中滑动卷积核的步幅。卷积操作是神经网络中常用的操作之一，用于从输入数据中提取特征。步长决定了卷积核在输入数据上的滑动间隔，从而影响输出特征图的大小。

卷积步长的值可以是正整数，通常为1、2、3等。步长越大，卷积核滑动得越快，输出特征图的尺寸会减小。步长较大的卷积操作可以用来减少模型的计算复杂度和内存消耗，但可能会丢失一些细节信息。

代码实现

import tensorflow as tf

# 创建一个输入张量
input_data = tf.constant([[1, 2, 3, 4],
                          [5, 6, 7, 8],
                          [9, 10, 11, 12],
                          [13, 14, 15, 16]], dtype=tf.float32)

# 创建一个卷积核
kernel = tf.constant([[1, 0],
                      [0, -1]], dtype=tf.float32)

# 进行卷积操作，设置步长为2
output_data = tf.nn.conv2d(input_data[None, :, :, None], kernel[:, :, None, None], strides=[1, 2, 2, 1], padding="VALID")

print("原始数据：")
print(input_data.numpy())
print("卷积核：")
print(kernel.numpy())
print("卷积后的数据：")
print(output_data.numpy()[0, :, :, 0])