二维卷积网络函数con2d
卷积神经网络的调用函数
con2d(input, filter_wight, strides, padding, use_cudnn_on_gpu = True, data_formate = "NHWC", name = None){input = [batch, in_height, out_width, channel], 输入矩阵的尺度
filter_weight = [filiter_hight, filter_width, in_channels, out_channels]:卷积层的权重
data_fornate = "NHWC": N:batch_size, H:height, W: width, C: channel",输出的格式
strides =[1,1,1,1]= [batch,height, width, channel],不同维度上的步长,一般第一个第四个参数设置为1
padding = "same", using zeros padding boudry:补边的方法}
函数的操作步骤如下
- 将滤波器会自动平滑成[filter_hetight*filter_width*in_channels, output_channel]
- 从输入中提取图像的patches, 成virtual tensor of shape [batch, out_height, out_width, filter_height* filter_width * in_channels]
- 对于每个patch, 右乘滤波器矩阵和图像patch 向量
注意点biase 偏置。和全连接网络直接加上是不同的。
需要用到函数tf.nn.bias_add(conv, biases)
这是因为每个维度都需要加偏置,但是偏置的维度只有1.
二维卷积网络函数con2d相关推荐
- [pytorch、学习] - 5.1 二维卷积层
参考 5.1 二维卷积层 卷积神经网络(convolutional neural network)是含有卷积层(convolutional layer)的神经网络.本章介绍的卷积神经网络均使用最常见的 ...
- 二维数组各行分别求和_【PyTorch入门】之十分钟看懂二维卷积层的运算、实现及应用...
原文链接: [动手学深度学习笔记]之二维卷积层mp.weixin.qq.com 1.二维卷积层 本节介绍卷积神经网络中最常见的二维卷积层.二维卷积层常用来处理图像数据,它具有两个空间维度(高和宽). ...
- 一维和二维卷积和池化
一维卷积的卷积核是二维的,二维卷积的卷积核是三维的(因为卷积要考虑深度,即通道数) 例如输入数据为(128,32,28,28),128为batch size,32为channel,28和28是high ...
- (pytorch-深度学习系列)CNN二维卷积层-学习笔记
二维卷积层 在二维互相关运算中,卷积窗口从输入数组的最左上方开始,按从左往右.从上往下的顺序,依次在输入数组上滑动.当卷积窗口滑动到某一位置时,窗口中的输入子数组与核数组按元素相乘并求和,得到输出数组 ...
- 【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
[OpenCV 例程200篇]54. OpenCV 实现图像二维卷积 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 ...
- 【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
[OpenCV 例程200篇]53. Scipy 实现图像二维卷积 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 滤 ...
- python图像卷积_图像处理——卷积原理、二维卷积python实现
一:什么是卷积 离散卷积的数学公式可以表示为如下形式: f(x) = - 其中C(k)代表卷积操作数,g(i)代表样本数据, f(x)代表输出结果. 举例如下: 假设g(i)是一个一维的函数,而且代 ...
- pytorch学习笔记(十九):二维卷积层
文章目录 1. 二维互相关运算 2. 二维卷积层 3. 图像中物体边缘检测 4. 通过数据学习核数组 卷积神经网络(convolutional neural network)是含有卷积层(convol ...
- 一维卷积的意义和二维卷积(图像处理)的简单理解
在学习机器学习和图像处理的过程中,经常会遇到卷积这个概念.我每次遇到这个概念都有点似懂非懂的样子.有时候清楚它的直观解释,但又搞不清公式中是如何体现的.究其原因,还是我没有完全搞懂这个概念. 维基百科 ...
最新文章
- git pull 报错:权限不够 Permission denied (publickey)
- MySQL是自主可控的吗_国产处理器那么多,究竟有哪些,是真正的“自主可控”?...
- 国家新一代人工智能开放创新平台将参加重庆智博会
- PMCAFF产品经理培训课火热报名中,手慢无!
- python读取字典数据_Python:读取列表[{}]中的字典数据
- sock 文件方式控制宿主机_sock
- 阿里P8架构师谈:Quartz调度框架详解、运用场景、与集群部署实践
- 看完动画你还敢说不会 快速排序
- oracle1007错误,【问题处理】偶遇ORA- 01075: you are currently logged on错误
- js与flash结合使用
- ResultSet: 结果集对象
- Activiti的流程定义文件解析
- 文件拷贝--单一文件过大
- Transformer Decoder
- Android 蓝色光滤波器(护眼神器) 反编译
- turn.js学习手册
- JavaScript制作页面倒计时器
- canvas之-------水滴扩散特效
- 视频服务器托管如何选择数据中心
- 单元测试实践篇:Mock