tf卷积的实现

一、函数定义：

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：

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

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=input的第四维

strides：卷积时在input图像上每一维的步长，是长为4的向量[1,height_stride,width_stride,1]，1代表移动一步

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）。前者代表通过补0使，卷积提取的特征与原来的patch一致；VALID代表不填充

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

二、计算流程

情况a，现在有一张 3×3 单通道的图像（对应的shape：[1，3，3，1]），用一个1×1的卷积核（对应的shape：[1，1，1，1]，形如[[[[2.5]]]]）去做卷积，最后会得到一张3×3的feature map(图像上从左到右，从上到下每次取一个元素，与卷积核计算乘积)。

import tensorflow as tf
sess=tf.Session()

i = tf.constant([[1,2,3,],
                 [4,5,6],
                 [7,8,9]],dtype="float")
k = tf.constant([2.0])   
input = tf.reshape(i,[1,3,3,1])   #输入是一张3*3单通道图片
filter = tf.reshape(k,[1,1,1,1])  #卷积核是size=1*1，输入单通道(由input决定),输出单通道
op1 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
print(sess.run(op1))
#--op1输出
<tf.Tensor 'Conv2D_14:0' shape=(1, 3, 3, 1) dtype=float32>  
[图片个数，卷积高决定，卷积宽决定，输出通道]

[[[[  2.]
   [  4.]
   [  6.]]

  [[  8.]
   [ 10.]
   [ 12.]]

  [[ 14.]
   [ 16.]
   [ 18.]]]]

i = tf.constant([
    [4, 3, 1, 0],
    [2, 1, 0, 1],
    [1, 2, 4, 1],
    [3, 1, 0, 2]], dtype=tf.float32)
    
k = tf.constant([
    [1, 0, 1],
    [2, 1, 0],
    [0, 0, 1]], dtype=tf.float32)

input  = tf.reshape(i, [1, 4, 4, 1], name='image')
filter = tf.reshape(k, [3, 3, 1, 1], name='kernel')
op2 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')
print(sess.run(op2))

2.增加图片的通道数，使用一张3×3 五通道的图像（对应的shape：[1，3，3，5]），用一个1×1的卷积核（对应的shape：[1，1，1，1]）去做卷积，仍然是一张3×3的feature map，这就相当于每一个像素点，卷积核都与该像素点的每一个通道做点积