目录

　　

　　

　　

---

 

直接定义的缺点

在tensorflow中假设有一批输入为：

其定义如下：

tf.constant([    [        [            [3, 1, -3],            [1, -1, 7]        ],        [            [-2, 2, -5],            [2, 7, 3]        ]    ],    [        [            [-1, 3, 1],            [-3, -8, 6]        ],        [            [4, 6, 8],            [5, 9, -5]        ]    ]], tf.float32)

这是一个4维张量，中括号的层次比较多，因此定义起来很容易写错；另外一批卷积核的定义方式和他不同，这也增加了定义的难度。

批次输入的张量的定义方式为：[batch, in_height, in_width, in_channels]

多个卷积核的定义方式为：[filter_height, filter_width, in_channels, out_channels]

 

 

简易定义的方式

 

对一批输入：

按照图中蓝色的顺序声明一个一维张量，然后按照[batch, in_height, in_width, in_channels]，对一维张量reshape。

对一批卷积核：

按照图中红色的顺序声明一个一维张量，然后按照[filter_height, filter_width, in_channels, out_channels]，对一维张量reshape。

这样的话不需要写很多行并且包含复杂中括号关系的代码，看着张量能快速写出对应声明，提高写代码的效率，另外出错的概率会降低

import tensorflow as tf# [batch, in_height, in_width, in_channels]input = tf.constant([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16], tf.float32)input = tf.reshape(input,[2,2,2,2])print(input.shape)# [filter_height, filter_width, in_channels, out_channels]kernel = tf.constant([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16], tf.float32)kernel = tf.reshape(kernel,[2,2,2,2])print(kernel.shape)print(tf.Session().run(tf.nn.conv2d(input,kernel,[1,1,1,1],"VALID")))

 

 

参考资料

《图解深度学习与神经网络：从张量到TensorFlow实现》_张平