博客

《Tensorflow初级教程》


在Tensorflow中该API的功能是进行的是卷积操作，那是如何运行的呢？

卷积操作的目的

卷积操作的目的是提取图像的特征。都提取什么特种呢？根据不同的卷积核、不同的计算方式，会得到不同的特征提取图。

图（1）




左边是相同的一整图，通过三次卷积操作，得到了三张特征图，分别是锐化、浮雕、轮廓。

如何进行卷积操作

图（2）




咱们把上图分成几部分，通过几个关键词来了解卷积操作。

• 
  原图
  
  ： 上图的绿色矩阵，这个是计算机眼中的图片。图片通过矩阵的方式进行表达。
• 
  卷积核
  
  ： 上图的黄色矩阵，这个是卷积核，核的大小可以自定义，2×2、 3×3、5×5都可以的，卷积核里面的权值的不同，提取的特征图也不同，如图（1）所示不同的核得到的不同的特征图。
• 
  计算方式
  
  ：上图灰色的箭头，代表原图矩阵与卷积核矩阵他们两个的计算方式。下面会进行讨论。
• 
  特征图
  
  ：上图粉色部分，卷积操作最后获得的结果。

卷积的计算方式

图（3）




通过

图3

可以看出，是卷积核不停的在原图上进行滑动，每次滑动移动1格，然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据。

多样的卷积操作

卷积操作	讲解
图4	这种卷积操作叫SAME Padding，卷积操作后原图与特征图大小相同。每次移动一个格子
图5	这种卷积操作叫VALUE Padding，卷积操作后原图比特征图要大，每次移动的步长为2
图6	空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为 “扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间距。