2卷积神经网络相关API详解-2.1TensorFlow之卷积操作API
来源:互联网 发布:广州知行通航 编辑:程序博客网 时间:2024/06/11 05:13
参考:
http://www.cnblogs.com/welhzh/p/6607581.html
http://www.cnblogs.com/hellcat/p/7020135.html
tf.nn.conv2d是TensorFlow里面实现卷积的函数,参考文档对它的介绍并不是很详细,实际上这是搭建卷积神经网络比较核心的一个方法,非常重要
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
除去name参数用以指定该操作的name,与方法有关的一共五个参数:
- 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
- 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(后面会介绍)
- 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
输入张量的shape,卷积滤波器核的shape,输出张量的shape如何计算?
输入数据体的尺寸为
4个超参数:
- 滤波器的数量K
- 滤波器的控件尺寸F
- 步长S
- 零填充数量P
输出数据体的尺寸为
由于卷积运算在一个批次的样本之间是独立处理每个样本的,所以上面公式是计算单个样本被卷积以后的尺寸的。输入batchsize个张量,输出还是batchsize个张量,发生变化的是每个输入张量的尺寸。
在使用tf.nn.conv2d设计卷积层的时候,我们首先要做的是确定权重weights和baises的shape。上述公式中的超参数K和F确定了权重weights(也就是filter)的shape:weights的shape[F,F,D1,K]
上述公式中的超参数K确定了偏置biases的shape=[K]
调节上述公式中的超参数F,S,P可以控制滤波输出的张量的尺寸。
如果你想让输入张量的空间尺寸与输出张量的空间尺寸保持一致,那么padding=“SAME”,strides=[1,1,1,1]
设置padding=“SAME”,公式里面的零填充数量P是TensorFlow自动推算的。
比如:
input:B1=10,W1=28,H1=28,D1=3
filter:F=3,S=1,P=1,K=10
output:
B2=B1=10(batch size保持不变)
W2=(28-2+2*P)/1 + 1 = 28
H2=(28-2+2*P)/1 + 1 = 28
D2 = K = 10比如:
input:B1=10,W1=28,H1=28,D1=3
filter:F=5,S=1,P=2,K=10
output:
B2=B1=10(batch size保持不变)
W2=(28-5+2*P)/1 + 1 = 28
H2=(28-5+2*P)/1 + 1 = 28
D2 = K = 10
如果padding=“VALID”,那么输出数据体的尺寸怎么计算呢?
- 输出数据体的尺寸
W1×H1×D1 4个超参数:
- 滤波器的数量K
- 滤波器的控件尺寸F
- 步长S
- 零填充数量P
输出数据体的尺寸为
W2×H2×D2 ,其中:W2=(W1−F+2P)/S+1 H2=(H1−F+2P)/S+1 (宽度和高度的计算方法相同)D2=K
设置了padding=“VALID”,公式里面的零填充数量P=0,也就是不填充
比如:
input:B1=10,W1=28,H1=28,D1=3
filter:F=3,S=1,P=0,K=10
output:
B2=B1=10(batch size保持不变)
W2=(28-3+2*0)/1 + 1 = 26
H2=(28-3+2*0)/1 + 1 = 26
D2 = K = 10比如:
input:B1=10,W1=28,H1=28,D1=3
filter:F=5,S=1,P=0,K=10
output:
B2=B1=10(batch size保持不变)
W2=(28-5+2*0)/1 + 1 = 24
H2=(28-5+2*0)/1 + 1 = 24
D2 = K = 10
设置了padding=“VALID”,卷积以后输出张量的空间尺寸会变小F-1圈。
由于此处输入空间尺寸为偶数,滤波器核为奇数,所以不要把S设为2,否则不能整除,所以S=1(S=3步子有点大了,也不好)。如果想大幅度缩减尺寸,后面接pool层。
- 2卷积神经网络相关API详解-2.1TensorFlow之卷积操作API
- 2卷积神经网络相关API详解-2.2TensorFlow之池化操作API
- 2卷积神经网络相关API详解-2.5TensorFlow之损失函数API详解
- 2卷积神经网络相关API详解-2.6TensorFlow之优化器API详解
- 2卷积神经网络相关API详解-2.3/2.4TensorFlow之激活函数API详解(上/下)
- 利用Tensorflow的Slim API实现卷积神经网络
- Tensorflow中卷积神经网络之卷积层
- 卷积神经网络之tensorflow实现
- tensorflow:2)卷积神经网络基础
- TensorFlow框架(4)之CNN卷积神经网络详解
- TensorFlow框架(4)之CNN卷积神经网络详解
- TensorFlow框架(4)之CNN卷积神经网络详解
- TensorFlow实现卷积神经网络
- Tensorflow实现卷积神经网络
- tensorflow 卷积神经网络
- Tensorflow实现卷积神经网络
- Tensorflow实现卷积神经网络
- Tensorflow教程-卷积神经网络
- 操作系统的发展史(科普章节)
- Tomcat本地部署 Android内网加载
- 结构经典例题,用上了typedef 再进行指针优化
- foreach循环中remove引起java.util.ConcurrentModificationException异常
- mysql 事务
- 2卷积神经网络相关API详解-2.1TensorFlow之卷积操作API
- es6<一>
- Spark之CASE...WHEN...THEN...的两种实现方式
- js日常
- 流程进度显示
- Android自定义控件5----继承View通讯录索引功能之3在按下或和移动时显示更新提示字母
- java基础知识(二 对象和类)
- 每天回顾linux命令(grep)
- 动态页面切换