TensorFlow中卷积神经网络相关函数

TensorFlow中CNN相关函数

卷积函数

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

input：需要做卷积的出入数量，注意是一个4维的张量（ $batch,in_height,in_width,in_channels$ ）,要求类型为float32或float64其中之一

filter：卷积核。 $filter_height,filter_with,in_channels,out_channels$

padding：定义匀速边框与元素内容之间的空间。"SAME"或"VALID",这个值决定了不同的卷积方式，当为"SAME"时，表示边缘填充，适用于全尺寸操作；当为"valid"时，表示边缘不填充

user_cudnn_on_gpu:bool类型，是否使用CUDNN加速

name:改操作名称

返回值：返回一个tensor,即feature map

python 复制代码

import tensorflow as tf
import numpy as np
input_data = tf.Variable(np.random.rand(10,9,9,4),dtype=np.float32)
filter_data = tf.Variable(np.random.rand(3,3,4,2),dtype=np.float32)
# y = tf.nn.conv2d(input_data,filter_data,strides=[1,1,1,1],padding='VALID')
y = tf.nn.conv2d(input_data,filter_data,strides=[1,1,1,1],padding='SAME')
print(input_data.shape)
print(y.shape)

池化函数

池化函数定义在tensorflow/python/ops下的nn.py和gen_nn_ops.py文件中：

最大池化：tf.nn.max_pool(value,ksize,strides,padding,name=None)

平均池化：tf.nn.avg_pool(value,ksize,strides,padding,name=None)

value:需要池化的输入，一版池化层姐在卷积层后面，所以输入通常conv2d所输出的feature map,依然是4维的张量（ $batch,height,width,channels$ ）
ksize:池化窗口的大小，由于一版不在batch和channel上做池化，所以ksize一版是 $1,height,width,1$
strides:图像每一维的步长，是一个一维向量，长度为4
padding：和卷积函数中padding含义一样
name：改操作的名称
返回值：返回一个tensor

python 复制代码

import tensorflow as tf
import numpy as np
input_data = tf.Variable(np.random.rand(10,6,6,4),dtype=np.float32)
filter_data = tf.Variable(np.random.rand(2,2,4,2),dtype=np.float32)
# y = tf.nn.conv2d(input_data,filter_data,strides=[1,1,1,1],padding='VALID')
y = tf.nn.conv2d(input_data,filter_data,strides=[1,1,1,1],padding='SAME')
# 最大池化
output = tf.nn.max_pool(input=y,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
print(input_data.shape)
print(y.shape)
print(output.shape)
# 最小池化
avg_output = tf.nn.avg_pool(input=y,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
print(input_data.shape)
print(y.shape)
print(avg_output.shape)