TensorFlow中函數(shù)conv2d主要實(shí)現(xiàn)了輸入張量與設(shè)定卷積核的卷積操作，其函數(shù)形式如下：

tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=True,data_format='NHWC',dilations=[1, 1, 1, 1],name=None )

input,filter自然是設(shè)定的輸入和卷積核了，參數(shù)strides，padding分別決定了卷積操作中滑動步長和圖像邊沿填充的方式。

看下strides官方解釋：

其為長度為4的一階張量，并且要求strides[0]=strides[3]=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，而通過圖像卷積的過程可以知道，卷積核的大小和圖像的大小有時候比不是完全匹配，比如圖像大小為5x5，卷積核大小為3x3，滑動步長為3時，會涉及到圖像卷積過程中邊界如何填充的問題，padding參數(shù)的兩個值SAME，VALID決定了其填充方式，通過代碼驗(yàn)證其不同的工作方式：

padding = VALID：

可以看到當(dāng)用5x5 的卷積核對28x28的圖像進(jìn)行卷積，采用padding=VALID模式，步長為5，那么最后每個方向會余下3個像素，而VALID模式中會直接舍棄，這樣每個方向上的5個元素會變成一個元素，所以最終卷積后的圖像大小變成了5x5，結(jié)果如下：

padding = SAME：

這種模式下，對于原始圖像與卷積核不匹配的情況，就要對圖像的邊界做一些填充，具體的填充方式和所差的元素個數(shù)有關(guān)，一種一種試一試：

同樣是產(chǎn)生28x28的全1圖像，然后用全1的5x5卷積核做卷積，那每個方向差兩個元素，通過計(jì)算結(jié)果可以看到是在每個方向的兩端各補(bǔ)了一個0，形成30x30，四周都是0的圖像。那如果差1個元素呢？

比較上述結(jié)果第一行，第一列不同，其余相同，那么就是在每行每列的最后補(bǔ)了一個0。繼續(xù)差三個元素呢？

同樣是比較結(jié)果，通過元素的值可以推測出其是在每個方向的開頭補(bǔ)了一個0，最后補(bǔ)了兩個0，那么差4個元素呢？

結(jié)果顯示了什么？首尾各補(bǔ)兩個0。那么通過上述驗(yàn)證是不是得到了些規(guī)律呢？可見當(dāng)差偶數(shù)個元素是首尾各補(bǔ)一半，差奇數(shù)個時前邊補(bǔ)奇數(shù)個，后邊補(bǔ)偶數(shù)個。當(dāng)然具體差多少元素和選定的卷積核大小以及滑動步長密切相關(guān)。那么滑動步長又有哪些影響呢？如果改成滑動步長為1，看看驗(yàn)證的結(jié)果:

再把padding改為 VALID瞧瞧：

總結(jié)一下看到了什么，卷積核大小，滑動步長直接影響最后的卷積結(jié)果的大小，且padding為SAME模式時，先對原圖像進(jìn)行填充，再做卷積，填充值須根據(jù)卷積核大小及滑動步長決定，當(dāng)滑動步長大于1時：填充數(shù)=K-I%S（K:卷積核邊長，I：輸入圖像邊長，S：滑動步長），滑動步長為1時，直接卷積核邊長減1，而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，至于兩種模式會有怎樣的差別，后續(xù)可進(jìn)行進(jìn)一步的驗(yàn)證。
---------------------?
原文：https://blog.csdn.net/qq_17272679/article/details/79591540?

總結(jié)

以上是生活随笔為你收集整理的TensorFlow之conv2d函数解析的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。