TF中用于2D卷積操作的api是tf.nn.conv_2d，源碼位置位于tensorflow/python/ops/gen_nn_ops.py

接口定義為：

　　conv2d(input, filter, strides,padding, use_cudnn_on_gpu=True, data_format=‘NHWC’，name='None')

其中

　　input的shape是[batch, in_height, in_width, in_channels]　　

　　filter的shape是[filter_height, filter_width, in_channels, out_channels]

　　strides在的通常要寫成[1, stride, stride, 1]，也就是說第0個參數和第三個參數都是固定1，中間分別是x方向和y方向的步長，通常是一樣的。

　　padding是一個字符串類型，有SAME和VALID兩個取值。

返回的同樣是一個tensor。

再說一下tf.nn.bias.add這個api

接口定義是：

bias_add(value, bias, data_format=None, name = None)

value是一個tensor，可以是float的，double，int32等等類型的，value可以是任意維度的tensor，但是value的最后一維的size要和bias相同，類型可以不一樣，可以轉化就可以例如int轉double等。

例如在下面的代碼中經過卷積操作之后，輸入是28*28*1的單通道圖像，輸出編程了24*24*32的特征圖，偏置也是32維的tensor，特征圖i對應+bias[i]，輸出還是24*24*32。同一個特征圖共享了卷積核的5*5個參數和1個bias參數，也就是說這里一共有（5*5+1）*32個參數。

#從mnist數據集中讀數據，定義一個占位符先 x = tf.placeholder(tf.float32, [None, 28*28]) #將x reshape成一個4D的tensor， 分別是batch size， height， width，channel x = x.reshape(x, shape=[-1, 28,28,1]) #這個變量是卷積核，卷積核大小是5*5，通道數1，卷積核格式32個 weight = tf.Variable(tf.random_normal([5,5,1,32])) bias = tf.Variable(tf.random_normal([32])) stride = 1 x = tf.nn.conv2d(x, weight, strides = [1, stride, stride, 1], padding= 'SAME') #再加上偏置量 x = tf.nn.bias_add(x, bias)

　通過上面的代碼應該就可以很清楚的明白tensorflow中是如何做2維卷積的了。

另外一個用于實現2D卷積的API是tf.layers.conv2d，實際上和上面的這個API并沒有太大區別，只是參數更多一些，使用的時候二者都可以。

后續再說一說CNN中的轉置卷積（deconvolutional network）在tf中的api的使用，以及計算方式。

?

轉載于:https://www.cnblogs.com/hellozlh/p/8251850.html

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Tensorflow中2D卷积API使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。