在TensorFlow中的cnn卷积和池化的计算及参数详解

在TensorFlow中的cnn卷积和池化的计算及参数详解

TensorFlow中的卷积一般是通过tf.nn.conv2d()函数实现的具体可以查看官网：https://www.tensorflow.org/api_docs/python/tf/nn/conv2d

TensorFlow中的池化有几种方式举个例子：通过tf.nn.max_pool函数实现的具体可以查看官网：https://www.tensorflow.org/api_docs/python/tf/nn/max_pool

下面只要讲解cnn卷积和池化的计算及参数（具体理论知识自己补充）：

    '''  # 卷积：
           strides：第1，第4参数都为1，中间两个参数为卷积步幅，如：[1,1,1,1],[1,2,2,1]
                 1、使用VALID方式,feature map的尺寸为       (3,3,1,32)卷积权重
                 out_height = ceil(float(in_height - filter_height + 1) / float(strides[1])) (28-3+1) / 1 = 26，(28-3+1) / 2 = 13
                 out_width = ceil(float(in_width - filter_width + 1) / float(strides[2])) (28-3+1) / 1 = 26，(28-3+1) / 2 = 13
                 2、使用使用SAME方式,feature map的尺寸为     (3,3,1,32)卷积权重
                 out_height = ceil(float(in_height) / float(strides[1]))  28 / 1 = 28，28 / 2 = 14
                 out_width = ceil(float(in_width) / float(strides[2]))   28 / 1 = 28，28 / 2 = 14
            ceil:函数返回数字的上入整数
      # 池化：
            ksize:第1，第4参数都为1，中间两个参数为池化窗口的大小，如：[1,1,1,1],[1,2,2,1]
                  实验证明：对于实际的池化后的数据尺寸，ksize没有影响，只是计算的范围不同。            
            strides：第1，第4参数都为1，中间两个参数为池化窗口的步幅，如：[1,1,1,1],[1,2,2,1]
                  实验证明：对于实际的池化后的数据尺寸，strides产生影响，具体的计算方式和卷积中的strides相同。'''

实验代码：https://github.com/luohangtong/my_tensorflow_learn/blob/master/udacity/convolutions.py

有错误欢迎指正。