卷积函数tf.nn.conv2d（）第一部分——介绍（个人笔记）

卷积函数tf.nn.conv2d（）

tensorflow中使用tf.nn.conv2d（）函数实现卷积操作，格式如下：

除去参数name，与方法有关的参数共5个，代表的含义：

• input：需要做卷积的输入图像，要求是一个张量（Tensor），形状是：
         [batch, in_height, in_width, in_channels]
  具体含义，训练时一个batch的图片数量，图片高度，图片宽度，图像通道数。（这是一个四维张量，要求类型是float32 和64其中之一）
• filter：卷积核，要求是一个张量。形状：
         [filter_height, filter_width, in_channels, out_channel]
  具体含义：[卷积核高度，卷积核宽度，图像通道数，卷积核个数]
  要求类型和input相同。
  其中，第三维和input第四维一样都是输入道个数，而第四维是输出通道个数
         批注：彩色图片就是输入通道3，计算方法是：每一个输入通道的图片都使用同一个卷积核进行卷积操作，生成与输入通道相匹配的特征图（feature map），然后再把这几张特征图相同位置上的字加起来。（后面有详细介绍过程）
  输出通道，输出几个特征图，就放几个卷积核，就是几个输出通道。
• strides：卷积是步长，是一个一维向量，长度为4.
• padding:定义元素边框与元素内容之间的空间。string的类型，只能是SAME和VALID其中之一。决定不同的卷积方式。为SAME时表示填充到卷积核可以到达图像边缘；VALID时表示边缘不填充。（这个参数是重点）
• use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认true。
• 返回值：返回一个张量，也就是特征图。

padding规则介绍

下面的图红色才是正确的。


未完…