TensorFlow卷积层-函数

时间：2021-02-04 16:21:05

函数1：tf.nn.conv2d是TensorFlow里面实现卷积的函数，实际上这是搭建卷积神经网络比较核心的一个方法

函数原型：

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

参数解释：

第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4。strides也称为跨度，利用卷积运算对图像进行降维处理的思想是通过修改卷积核的strides（跨度）参数实现的。strdies参数的格式如下：strides = [image_batch_size_stride image_height_stride image_width_stride image_channels_strid].第一个和最后一个跨度参数通常很少修改，因为他们会在tf.nn.conv2d运算中跳过一些数据，从而不予以考虑这些数据。如果希望降低维度，可以修改image_height_stride和image_width_stride参数。strides=[1 3 3 1]的结果图下

TensorFlow卷积层-函数

第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式

  • SAME：卷积输出与输入尺寸相同。这里在计算如何跨越图像时，并不考虑滤波器的尺寸。选用该设置时，缺失的像素将用0填充，卷积核扫过的像素将超过图像的像素。
  • VALID：在计算卷积核在图像上如何跨越时，需要考虑滤波器的尺寸。这会使卷积核尽量不越过图像的边界。在某些情况下，边界也有可能会被填充。

第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

结果返回一个Tensor，这个输出，就是我们常说的feature map

实验代码：

with tf.Session() as sess:

    img_data_jpg = tf.image.decode_jpeg(image_raw_data_jpg)#按照jpeg格式对图片进行解码

    img_data_jpg = tf.image.convert_image_dtype(img_data_jpg, dtype = tf.float32)#转换图片的类型位tf.float32的模型

    plt.figure(1)

    plt.imshow(img_data_jpg.eval())#显示图像

    kernel = tf.constant([#建立一个三通道的，3层的卷积核

        [

            [[-1.0,-1.0,-1.0],[0.0,0.0,0.0],[1.0,1.0,1.0]],

            [[-1.,0.,0.],[0.,-1.,0.],[0.,0.,-1.]],

            [[0.,0.,0.],[0.,0.,0.],[0.,0.,0.]]

        ],

        [

            [[-1.,0.,0.],[0.,-1.,0.],[0.,0.,-1.]],

            [[5.,0.,0.],[0.,5.,0.],[0.,0.,5.]],

            [[-1.,0.,0.],[0.,-1.,0.],[0.,0.,-1.]]

        ],

        [

            [[0.,0.,0.],[0.,0.,0.],[0.,0.,0.]],

            [[-1.,0.,0.],[0.,-1.,0.],[0.,0.,-1.]],

            [[0.,0.,0.],[0.,0.,0.],[0.,0.,0.]]

        ]

    ],dtype = tf.float32)

    input_image = tf.reshape(img_data_jpg,[1,322,426,3])#将图片格式转换为conv2d函数需要的数据输入模式

    res = tf.nn.conv2d(input_image, kernel, [1,1,1,1], padding='SAME')

#     activation_map = sess.run(tf.minimum(tf.nn.relu(res),255))

    output_image = tf.cast(tf.reshape(res,[322,426,3]),dtype = tf.uint8)#输出图像的格式转换

    plt.figure(2)

    plt.imshow(output_image.eval())

    sess.close()

实验结果：

TensorFlow卷积层-函数TensorFlow卷积层-函数

原始图像                                                                                          实验结果

函数2：

 

函数3：

相关文章