TensorFlow_CNN内tf.nn.conv2d和tf.layers.conv2d参数

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

input：输入数据

filter：过滤器

strides：卷积滑动步长，实际上可以解释为过滤器的大小

padding：图像边填充方式

--------------------------------------------------------------------------------------------->

在这里详细地对各个参数做出解释：

input：就是卷积的输入数据，该输入数据要求是一个Tensor，所以张量的shape为[batch, in_height, in_width, in_channels]，batch为训练 [ 一个 ] batch图片数量，这是一个四维向量，所以类型为half，bfloat16，float32， float64.

filter：为一个张量，必须和input是一样的4D shape。[filter_height, filter_width, in_channels, out_channels]，参数的第三维就是input内的第四维

padding：整数型的列表，只有“SAME”和“VALID”两个值，在这里SAME和VALID的计算需要说明一下

#“SAME” 计算方式
out_height = ceil(float(in_height)) / float(strides[1]) 
out_width = ceil(float(in_width)) / float(strides[2]) 

#“VALID”计算方式
out_height = ceil(float(in_height - filter_height + 1)) / float(strides[1]) 
out_width = ceil(float(in_width - filter_width + 1)) / float(strides[2]) 

strides：在这里直接参考官方API吧。很详细！　　

tf.layers.conv2d(
    inputs,
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format='channels_last',
    dilation_rate=(1, 1),
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

根据官方API文档说明，tf.layer.con2d的input和padding与tf.nn.conv2d一样。

但也有其它差别：

在这里filter为一个整数，该整数的数量为卷积数量 >>>整数，表示输出空间的维数（即卷积过滤器的数量）。

kernel_size,可以是一个整数，或list或tuple类型的两个整数。

strides：一个整数，或者包含了两个整数的元组/队列，表示卷积的纵向和横向的步长。如果是一个整数，则横纵步长相等。另外， strides不等于1 和 dilation_rate 不等于1 这两种情况不能同时存在。