tf.nn.conv2d是用來實現卷積的方法

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name參數用以指定該操作的name，與方法有關的一共五個參數：

• 第一個參數input：指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 圖像通道數]，注意這是一個4維的Tensor，要求類型為float32和float64其中之一

• 第二個參數filter：相當于CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數]，要求類型與參數input相同，有一個地方需要注意，第三維in_channels，要和參數input的第四維相等

• 第三個參數strides：卷積時在圖像每一維的步長，這是一個一維的向量，長度4。strides[0]和strides[3]必須為1，strides[1]，strides[2]決定卷積核在輸入圖像in_hight，in_width方向的滑動步長

• 第四個參數padding：string類型的量，只能是”SAME”,”VALID”其中之一，這個值決定了不同的卷積方式（后面會介紹）

• 第五個參數：use_cudnn_on_gpu:bool類型，是否使用cudnn加速，默認為true

input和filter參數里的值都很好理解，關鍵是滑動步長和padding不同的值會決定最后得到的輸出是多大尺寸。
?
?

strides和padding的詳解

直接給出總結：

??卷積核大小，滑動步長直接影響最后的卷積結果的大小。當padding為SAME模式時，先對原圖像進行填充，再做卷積，填充值須根據卷積核大小及滑動步長決定。

• 當滑動步長大于1時：填充數 = K-L%S（K:卷積核邊長，L：輸入圖像邊長，S：滑動步長）
• 當滑動步長等于1時：填充數 = 卷積核邊長減1
• 另外當差偶數個元素時首尾各補一半，差奇數個時前邊補奇數個，后邊補偶數個。

當padding為VALID模式時，很簡單粗暴直接從原始圖像的首段開始卷積，到最后不能匹配卷積核的部分直接舍去，

參考

https://blog.csdn.net/qq_17272679/article/details/79591540

總結

以上是生活随笔為你收集整理的tf.nn.conv2d()方法的全部內容，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。