Tensorflow中卷积函数汇总

卷积函数是在一批图像上扫描的二维过滤器。卷积函数定义在tensorflow-1.1.0/tensorflow/python/ops下的nn_impl.py和nn_ops.py文件中。

(1)计算N维卷积的和的函数tf.nn.convolution()

tf.nn.convolution(input,filter,padding,strides=None,dilation_rate=None,name=None,data_format=None)

(2)对一个四维的输入数据input和四维的卷积核filter进行操作，然后对输入数据进行一个二维的卷积操作，最后得到卷积之后的结果。

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

input:为一个Tensor，数据类型必须是float32或者float64；

filter:为一个tensor,数据类型必须是与input输入的数据类型相同；

strides:一个长度是4的一维整数类型数组，每一维度对应的是input中每一维的对应移动步数；如strides[1]对应input[1]的移动步数；

padding：一个字符串，取值为SAME或者VALID；‘SAME'适用于全尺寸操作，即输入数据维度和输出数据维度相同；'VALID'适用于部分窗口；

use_cudnn_on_gpu:一个可选布尔值，默认情况下是True;

name:为这个操作取一个名字；

import tensorflow as tfimport osimport numpy as npinput_data= tf.Variable(np.random.rand(10,9,9,3),dtype=np.float32)filter_data=tf.Variable(np.random.rand(2,2,3,4),dtype=np.float32)y = tf.nn.conv2d(input_data,filter_data,strides=[1,3,3,1],padding='SAME')print('输入的结果为：', y)

input的张量维度[batch, in_height, in_width, in_channels),若输入的图像为9*9的彩色图像(RGB)，则张量为[batch,9,9,3],其中黑白图像的通道为1，彩色图像为3，batch为输入的图像数量

filter为卷积核，filter[filter_height, filter_width, in_channels, out_channels]的shape,这个是以conv2d为例；

其中对应的含义分别为：[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]
在使用过程中，通常不对input的第一维和第四维进行卷积操作，所以通常strides一般为[1,X,X,1]

输入的结果为： Tensor("Conv2D:0", shape=(10, 3, 3, 4), dtype=float32)

(3)函数tf.nn.depthwise_conv2d(input, filter, strides, padding, name=None,data_format=None)

import tensorflow as tfimport osimport numpy as npinput_data= tf.Variable(np.random.rand(10,9,9,3),dtype=np.float32)filter_data=tf.Variable(np.random.rand(2,2,3,4),dtype=np.float32)y = tf.nn.depthwise_conv2d(input_data,filter_data,strides=[1,3,3,1],padding='SAME')print('输入的结果为：', y)

input的数据维度[batch,in_height,in_weight,in_channels]

filter的维度[filter_height, filter_width,in_channel, channel_multiplierl]

在通道in_channels上面的卷积深度是3，

将不同的卷积核独立地应用在in_channels的每条通道上，

然后将所有的结果进行汇总，输出通道的总数，in_channel*channel_multiplier

输入的结果为： Tensor("depthwise:0", shape=(10, 3, 3, 12), dtype=float32)

(4)函数tf.nn.separable_conv2d(input, depthwise_filter, pointwise_filter, strides, padding, name=None,data_format=None)

depthwise_filter:为一个张量，数据维度是四维[filter_height, filter_width, in_channels, channel_multiplier]
pointwise_filter:一个四维的张量，数据维度是四维[1,1,channel_multipliter*in_channels,out_channels]。

pointwise_filter是在depthwise_filter卷积之后的混合卷积；

strides:一个长度是4的一维整数类型数组，每一个维度对应的是input中每一维的对应移动步数

import tensorflow as tfimport osimport numpy as npinput_data= tf.Variable(np.random.rand(1,9,9,3),dtype=np.float32)depthwise_filter=tf.Variable(np.random.rand(2,2,3,4),dtype=np.float32)pointwise_filter = tf.Variable(np.random.rand(1,1,12,20),dtype=np.float32)y = tf.nn.separable_conv2d(input_data,depthwise_filter,pointwise_filter,strides=[1,3,3,1],padding='SAME')print('输入的结果为：', y)

输入的结果为： Tensor("separable_conv2d:0", shape=(1, 3, 3, 20), dtype=float32)

(5)函数tf.nn.atrous_conv2d(value, filters, rate, padding, name=None)计算Atrous卷积，称为扩张卷积

(6)函数tf.nn.conv2d_transpose(value, filter, output_shape,strides, padding='SAME',data_format='NHWC',name=None)为conv2d的转置。

(7)函数tf.nn.conv1d(value, filters, stride, padding , use_cudnn_on_gpu=None,data_format=None,name=None)与二维卷积类似

该函数用来计算给定三维的输入和过滤器的情况下的一维卷积。

输入为三维，[batch, in_width, in_channels]

卷积核的维度为三维，少了一维filter_heigth,如[filter_width,in_channels, out_channels].

stride是一个正整数，代表卷积核向右移动每一步的长度。

(8)函数tf.nn.conv3d(input, filter, strides, padding, name=None)与二维卷积类似。

用来计算给定五维的输入和过滤器的情况下的三维卷积

与二维卷积相对比：

input的shape中多了一维in_depth,形状为[batch, in_depth, in_height, in_width, in_channels]

filter的shape中多了一维filter_depth,[filter_depth, filter_height, in_channel,channel_multiplierl]构成卷积核大小

strides的shape中多了一维strides_depth,  [strides_batch, strides_depth, strides_height, strides_width, strides_channel]

(9)函数tf.nn.conv3d_tranpose(value, filter, output_shape, strides, padding='SAME',name=None)与二维反卷积类似。