函数说明
tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)
(1) conv2d参数说明
- input: [batch, inputHeight, inputWidth, inputChannel]
-
filter: 卷积核，[filterHeight，filterWidth，filterChannel，filterNumber],
inputChannel = filterChannel - strides: 步长，长度为4的一维向量，strides[0]=strides[3]=1，strides[1]表示行方向步长，strides[2]表示列方向步长，一般strides[1]=strides[2]
-
padding: 边界，“SAME”:补齐，“VALID”:舍弃
补齐个数n:
n=
f
i
l
t
e
r
W
i
d
t
h
−
(
i
n
p
u
t
W
i
d
t
h
%
s
t
r
i
d
e
s
)
n = filterWidth-(inputWidth\%strides)
n
=
f
i
l
t
e
r
W
i
d
t
h
−
(
i
n
p
u
t
W
i
d
t
h
%
s
t
r
i
d
e
s
)
舍弃个数n:
n=
i
n
p
u
t
W
i
d
t
h
−
f
i
l
t
e
r
W
i
d
t
h
−
(
⌊
i
n
p
u
t
W
i
d
t
h
s
t
r
i
d
e
⌋
−
1
)
∗
s
t
r
i
d
e
n = inputWidth-filterWidth-(\left \lfloor \frac{inputWidth}{stride} \right \rfloor-1)*stride
n
=
i
n
p
u
t
W
i
d
t
h
−
f
i
l
t
e
r
W
i
d
t
h
−
(
⌊
s
t
r
i
d
e
i
n
p
u
t
W
i
d
t
h
⌋
−
1
)
∗
s
t
r
i
d
e
- 其他参数：略
(2) 输出feature map shape计算
-
SMAE 模式
-
fe
a
t
u
r
e
M
a
p
w
i
d
t
h
=
⌈
i
n
p
u
t
W
i
d
t
h
s
t
r
i
d
e
⌉
featureMapwidth = \left \lceil \frac{inputWidth}{stride} \right \rceil
f
e
a
t
u
r
e
M
a
p
w
i
d
t
h
=
⌈
s
t
r
i
d
e
i
n
p
u
t
W
i
d
t
h
⌉
-
-
VAILD 模式
-
fe
a
t
u
r
e
M
a
p
w
i
d
t
h
=
⌈
i
n
p
u
t
W
i
d
t
h
−
f
i
l
t
e
r
t
W
i
d
t
h
−
1
s
t
r
i
d
e
⌉
featureMapwidth = \left \lceil \frac{inputWidth-filtertWidth-1}{stride} \right \rceil
f
e
a
t
u
r
e
M
a
p
w
i
d
t
h
=
⌈
s
t
r
i
d
e
i
n
p
u
t
W
i
d
t
h
−
f
i
l
t
e
r
t
W
i
d
t
h
−
1
⌉
-
-
简单结论
- stride = 1, 则 featureMapwidth = inputWidth，与其他参数无关
(3) 卷积的过程简易描述
inputShape:[1,227,227,
3
]
filterShape:[3,3,
3
,64]
inputTensor有3个通道，那么每个卷积核的深度也是3，卷积核的每个通道分别对接inputTensor的每个通道进行并行特征采集，然后求3个特征的采集数据值和作为该卷积核的特征采集结果。
(4) 一些基本概念
1.输入通道数=卷积核的深度（针对深度不分离卷积）
2.卷积核的个数=输出通道数
3.全连接才会加偏置，卷积不会，weight就是卷积核的参数承载
4.weight的shape[0],shape[1]就是卷积核的高与宽
5.输出feature map shape由pad模式，卷积核shape，stride3个参数共同决定；但是只有VALID模式下与卷积核形状有关系。