4-CNN-demo-01-卷积核池化的api

import tensorflow as tf"""
学习 卷积和池化 api
"""def conv2d_answer():with tf.Graph().as_default():x = tf.ones(shape=[64, 32, 32, 3])  # [batch_size, height, width, channels=depth]# todo 创建卷积核变量filter_w = tf.get_variable('w', initializer=tf.truncated_normal(shape=[7, 7, 3, 20], dtype=tf.float32))filter_b = tf.get_variable('b', initializer=tf.zeros(20))strides = [1, 2, 2, 1]pad = 'SAME'"""conv2d(input,   # 输入。注意：格式必须为：4-d tensor [batch_size, height, width, channels]filter,     # 卷积核。 格式为: [卷积核的高， 卷积核的宽， 卷积核的深度(输入图片的channels)， 卷积核的个数(输出图片的channels)]strides,    # 步幅。 [1, 高方向的步幅， 宽方向上的步幅， 1] padding,    # 填充方式。 string类型，  'VALID' or 'SAME'use_cudnn_on_gpu=True, data_format="NHWC",or"NCHW"   # 对输入数据格式的要求。 N - batch_size, H- height, W - width  C-channelsdilations=[1, 1, 1, 1],  # 膨胀因子。name=None):"""conv_out = tf.nn.conv2d(input=x, filter=filter_w, strides=strides, padding=pad)conv_out = conv_out + filter_bconv_out = tf.nn.relu(conv_out)with tf.Session() as sess:sess.run(tf.global_variables_initializer())print(sess.run(conv_out).shape)def maxpool():with tf.Graph().as_default():x = tf.ones(shape=[64, 4, 4, 3])   # [N, H, W, C]max_out = tf.nn.max_pool(value=x, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')print(max_out)with tf.Session() as sess:print(sess.run(max_out))if __name__ == '__main__':conv2d_answer()maxpool()

D:\Anaconda\python.exe D:/AI20/HJZ/04-深度学习/3-CNN/20191207/01_卷积核池化的api.py
2019-12-24 15:08:19.995375: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
(64, 16, 16, 20)
Tensor("MaxPool:0", shape=(64, 2, 2, 3), dtype=float32)
[[[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]][[[1. 1. 1.][1. 1. 1.]][[1. 1. 1.][1. 1. 1.]]]]Process finished with exit code 0

4-CNN-demo-01-卷积核池化的api相关推荐

cnn中关于平均池化和最大池化的理解
cnn中关于平均池化和最大池化的理解接触到pooling主要是在用于图像处理的卷积神经网络中,但随着深层神经网络的发展,pooling相关技术在其他领域,其他结构的神经网络中也越来越受关注. 一个典 ...
理解CNN卷积层与池化层计算
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达概述深度学习中CNN网络是核心,对CNN网络来说卷积层与池化层的 ...
CNN基本原理以及卷积池化的实现细节
看到很好的CNN解释的文章,博客也很优秀https://www.cnblogs.com/charlotte77/p/7759802.html 1. 神经网络的优势特征提取的高效性. 即可以省去特征工 ...
CNN中卷积和池化计算公式
卷积计算公式 1.卷积层输入特征图(input feature map)的尺寸为:H(input)×W(input)×C(input) H(input)表示输入特征图的高 W(input)表示输入特征 ...
cnn系列文章四 --池化层和简单卷积网络示例
cnn系列文章三 --padding和strides详解一句歌词继续中: <霜雪千年> 苔绿青石板街斑驳了流水般岁月小酌三盏两杯理不清缠绕的情结典型的卷积神经网络 convolu ...
【FPGA教程案例56】深度学习案例3——基于FPGA的CNN卷积神经网络之池化层verilog实现
FPGA教程目录 MATLAB教程目录 -------------------------------------------------------------------------------- ...
[CNN] 卷积、反卷积、池化、反池化
之前一直太忙,没时间整理,这两天抽出点时间整理一下卷积.反卷积.池化.反池化的内容,也希望自己对一些比较模糊的地方可以理解的更加清晰. 一.卷积 1.卷积的简单定义卷积神经网络中的卷积操作可以看做是 ...
TensorFlow实现卷积、池化操作
1.调用tf.nn.conv2d()实现卷积首先是调用卷积函数实现卷积操作: 这里说明一下conv2d的定义及参数含义: 参考 [定义:] tf.nn.conv2d (input, filter, ...
图像识别（七）| 池化层是什么？有什么作用？
前面的文章图像识别(番外1)| AI算法攻城狮左手图纸,右手搬砖的真实性以及长图展示Resnet全貌和可视化CNN_董董灿是个攻城狮的博客-CSDN博客_ai图像识别算法中,展示了一张Resnet5 ...

4-CNN-demo-01-卷积核池化的api

4-CNN-demo-01-卷积核池化的api相关推荐

最新文章

热门文章