学习笔记TF013:卷积、跨度、边界填充、卷积核
卷积运算，两个输入张量(输入数据和卷积核)进行卷积，输出代表来自每个输入的信息张量。tf.nn.conv2d完成卷积运算。卷积核(kernel)，权值、滤波器、卷积矩阵或模版，filter。权值训练习得。卷积核(filter参数)权值数量决定需要学习卷积核数量。通道，计算机器视觉，描述输出向量。RGB图像，3个代表秩1张量[red,green,blue]通道。输出与input_batch同秩张量，与卷积核维数相同。两个张量卷积生成特征图(feature map)。特征图为输出添加新层代表张量卷积。访问输入批数据和特征图元素用相同索引，可了解输入与kernel卷积运算值变化。层，输出新维度。
计算机视觉卷积价值，修改卷积核strides(跨度)参数实现输入降维。strides参数使卷积核无需遍历每个输入元素，跳过部分图像像素。kernel在input_batch滑动，跨过部分元素，每次移动以input_batch一个元素为中心。位置重叠值相乘，乘积相加，得卷积结果。逐点相乘，整合两个输入。设置跨度，调整输入张量维数。降维减少运算量，避免重叠感受域。strides参数格式与输入向量相同(image_batch_size_stride、image_height_stride、image_width_stride、image_channels_stride)。
边界填充，卷积核与图像尺寸不匹配，填充图像缺失区域。TensorFlow用0填充。padding参数控制conv2d零填充数或错误状态。SAME:卷积输出输入尺寸相同，不考虑滤波器尺寸，缺失像素填充0，卷积核扫像素数大于图像实际像素数。VALID:考虑滤波器尺寸。尽量不越过图像边界，也可能边界被填充。
data_format修改数据格式。NHWC指定输入输出数据格式，[batch_size(批数据张量数)、in_height(批数据张量高度)、in_width(批数据张量宽度)、in_channels(批数据张量通道数)]。NCHW指定输入输出数据格式，[batch_size、in_channels、in_height、in_width]。
TensorFlow滤波器参数指定输入卷积运算卷积核。滤波器使用特定模式突出图像中感兴趣特征。图像与边缘检测卷积核的卷积输出是所有检测边缘区域。tf.minimum和tf.nn.relu使卷积值保持在RGB颜色值合法范围[0,255]内。卷积核初值随机设定，训练迭代，值由CNN学习层自动调整，训练一迭代，接收图像，与卷积核卷积，预测结果与图像真实标签是否一致，调整卷积核。
import tensorflow as tf
input_batch = tf.constant([
[#第1个输入
[[0.0],[1.0]],
[[2.0],[3.0]]
],
[#第2个输入
[[2.0],[4.0]],
[[6.0],[8.0]]
]
])
print input_batch
kernel = tf.constant([
[
[[1.0, 2.0]]
]
])
print kernel
conv2d = tf.nn.conv2d(input_batch, kernel, strides=[1, 1, 1, 1], padding='SAME')#conv2d卷积运算
print conv2d
sess = tf.Session()
print sess.run(conv2d)
lower_right_image_pixel = sess.run(input_batch)[0][1][1]
lower_right_kernel_pixel = sess.run(conv2d)[0][1][1]
print lower_right_image_pixel, lower_right_kernel_pixel
input_batch2 = tf.constant([
[#第1个输入(6x6x1)
[[0.0],[1.0],[2.0],[3.0],[4.0],[5.0]],
[[0.1],[1.1],[2.1],[3.1],[4.1],[5.1]],
[[0.2],[1.2],[2.2],[3.2],[4.2],[5.2]],
[[0.3],[1.3],[2.3],[3.3],[4.3],[5.3]],
[[0.4],[1.4],[2.4],[3.4],[4.4],[5.4]],
[[0.5],[1.5],[2.5],[3.5],[4.5],[5.5]]
]
])
print input_batch2
kernel2 = tf.constant([#卷积核(3x3x1)
[[[0.0]], [[0.5]], [[0.0]]],
[[[0.0]], [[1.0]], [[0.0]]],
[[[0.0]], [[0.5]], [[0.0]]]
])
print kernel2
conv2d2 = tf.nn.conv2d(input_batch2, kernel2, strides=[1, 3, 3, 1], padding='SAME')
print conv2d2
print sess.run(conv2d2)
lower_right_image_pixel2 = sess.run(input_batch2)[0][1][1]
lower_right_kernel_pixel2 = sess.run(conv2d2)[0][1][1]
print lower_right_image_pixel2, lower_right_kernel_pixel2
input_batch3 = tf.constant([
[#第1个输入(6x6x1)
[[0.0,1.0,2.0],[1.0,2.0,3.0]],
[[0.1,1.1,2.1],[1.1,2.1,3.1]],
[[0.2,1.2,2.2],[1.2,2.2,3.2]],
[[0.3,1.3,2.3],[1.3,2.3,3.3]],
[[0.4,1.4,2.4],[1.4,2.4,3.4]],
[[0.5,1.5,2.5],[1.5,2.5,3.5]]
]
])
print input_batch3
kernel3 = tf.constant([
[
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]],
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]],
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]]
],
[
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]],
[[8., 0., 0.],[0., 8., 0.],[0., 0., 8.]],
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]]
],
[
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]],
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]],
[[-1., 0., 0.],[0., -1., 0.],[0., 0., -1.]]
]
])
print kernel3
conv2d3 = tf.nn.conv2d(input_batch3, kernel3, strides=[1, 1, 1, 1], padding='SAME')
print conv2d3
activation_map3 = sess.run(tf.minimum(tf.nn.relu(conv2d3), 255))
print activation_map3
lower_right_image_pixel3 = sess.run(input_batch3)[0][1][1]
lower_right_kernel_pixel3 = sess.run(conv2d3)[0][1][1]
print lower_right_image_pixel3, lower_right_kernel_pixel3
kernel4 = tf.constant([
[
[[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.]]
],
[
[[-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.]]
]
])
print kernel4
conv2d4 = tf.nn.conv2d(input_batch3, kernel4, strides=[1, 1, 1, 1], padding='SAME')
print conv2d4
activation_map4 = sess.run(tf.minimum(tf.nn.relu(conv2d4), 255))
print activation_map4
lower_right_image_pixel4 = sess.run(input_batch3)[0][1][1]
lower_right_kernel_pixel4 = sess.run(conv2d4)[0][1][1]
print lower_right_image_pixel4, lower_right_kernel_pixel4
参考资料：
《面向机器智能的TensorFlow实践》
欢迎加我微信交流：qingxingfengzi
我的微信公众号:qingxingfengzigz
我老婆张幸清的微信公众号：qingqingfeifangz
最新文章
- php实现文件上传与下载（上）
- KMP匹配算法 - Number Sequence
- Android中ListView错位布局实现（无聊向）
- The specified child already has a parent错误
- codeforces 401D (数位DP)
- （JAVA）从零开始之--对象输入输出流ObjectInputStream、ObjectOutputStream（对象序列化与反序列化）
- ThreadPool（线程池） in .Net
- asp.net 向后台提交 html 代码段 包括 <> 标签
- 【PHP SDK for OpenStack/Rackspace APIs】身份验证
- 安卓Service完全解析(上)
- javascript-声明对象及其属性和方法
- HashMap、Hashtable、ConcurrentHashMap的原理与区别
- 最小生成树（kruskal算法）
- 解决TCPDF中文乱码，PHP
- WebSocket 实战--转
- Testner测试圈关于页面响应时间的测试行业标准
- Confluence 6 数据库结构图
- 【模态窗口-Modeldialog】提交请求时禁止在新窗口打开页面的处理方法
- 一个简单的Java程序
- Learning coding online