分析tensorflow mnist

http://blog.csdn.net/mao_xiao_feng/article/details/53444333

http://blog.csdn.net/toormi/article/details/53789562

 

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 我认为安装tensorflow的时候选cpu和选gpu的区别就是这个true还是false

结果返回一个Tensor,这个输出,就是我们常说的feature map

padding的值为‘VALID’不停留在边缘,假设图片5*5,卷积核3*3,则输出3*3,当其为‘SAME’时,表示卷积核可以停留在图像边缘,输出5*5

 

strides: A list of `ints`. 1-D tensor of length 4. The stride of the sliding window for each dimension of `input`. The dimension order is determined by the value of `data_format`, see below for details.你可以理解为[1,图像heihgt上的滑动步长,图像width上的滑动步长,1]前后两个1,固定不变,没有特殊意义

posted @ 2017-07-06 16:10  eclipSycn  阅读(180)  评论(0编辑  收藏  举报