Tensorflow卷积接口总结

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

这个接口用了这么久，每次都有点迷惑，这里做下总结。

• 参数

input：输入图片，shape为[batch_size, in_height, in_width, in_channels]

filter：卷积核参数，shape为[kernel_height, kernel_width, in_channels, out_channels]，第三维与input的第四维对应，第四维决定了卷积核的个数

stride：步长，一维向量，4个值，其中[0]和[3]固定填写1，[2]和[4]分别为height的步长和width的步长，即[1，h，w，1]

padding：对齐方式，取值valid则丢弃剩余不能和kernel size匹配的图像元素，取值same则对图像元素做边缘扩充，扩充方式为左单右双。

• 输出大小

根据以上参数可以计算出feature map的大小

out_height = (in_height - filter.height +2*padding)/stride + 1

out_width = (in_width - filter.width + 2*padding)/stride +1

• 典型代码

一般来说都要配以tf.nn.bias_add来服用，添加bias参数。