Tensorflow 卷积层实现

95 阅读 0 评论 63 点赞

我是靠谱客的博主欢喜硬币，这篇文章主要介绍Tensorflow 卷积层实现，现在分享给大家，希望可以做个参考。

在TensorFlow中，可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速搭建复杂网络。

卷积运算输出大小公式：
h’ = (h+2P_h-k)/s + 1(向下取整)
w’ = (w+2P_w-k)/s + 1(向下取整)
卷积核的大小k、步长s、填充数p、输入的高h和宽w

1、自定义权值
在TensorFlow中，通过tf.nn.conv2d函数可以实现2D卷积运算。

复制代码

1
2
3
4
5
6
7
8
9
10
#模拟输入
x = tf.random.normal([5,5,5,3])
#创建4个大小通道为3的3×3的卷积核
w = tf.random.normal([3,3,3,4])
out = tf.nn.conv2d(x,w,strides=1,padding=[[0,0],[0,0],[0,0],[0,0]])
out
'''
<tf.Tensor: shape=(5, 3, 3, 4), dtype=float32, numpy=...
'''

其中padding = [[0,0],[上,下],[左,右],[0,0]]。

复制代码

1
2
3
4
5
6
7
8
9
x = tf.random.normal([5,5,5,3])
w = tf.random.normal([3,3,3,4])
#上下左右个添加一个单位
out = tf.nn.conv2d(x,w,strides=1,padding=[[0,0],[1,1],[1,1],[0,0]])
out
'''
<tf.Tensor: shape=(5, 5, 5, 4), dtype=float32, numpy=...
'''

设置参数padding=‘SAME’、strides=1可以直接得到输入、输出同大小的卷积层。

复制代码

1
2
3
4
5
6
7
8
x = tf.random.normal([5,5,5,3])
w = tf.random.normal([3,3,3,4])
out = tf.nn.conv2d(x,w,strides=1,padding='SAME')
out
'''
<tf.Tensor: shape=(5, 5, 5, 4), dtype=float32, numpy=...
'''

当步长大于1时，设置padding='SAME’使得输出高、宽将减少为原来的1/s。

复制代码

1
2
3
4
5
6
7
8
x = tf.random.normal([5,5,5,3])
w = tf.random.normal([3,3,3,4])
out = tf.nn.conv2d(x,w,strides=2,padding='SAME')
out
'''
<tf.Tensor: shape=(5, 3, 3, 4), dtype=float32, numpy=...
'''

给网络设置偏置向量

复制代码

1
2
3
4
5
6
x = tf.random.normal([5,5,5,3])
w = tf.random.normal([3,3,3,4])
out = tf.nn.conv2d(x,w,strides=1,padding='SAME')
b = tf.zeros([4])
out = out+b

2、卷积层
通过卷积层类layers.Conv2D可以不需要手动定义卷积核W和偏置b，在新建卷积层类时，只需要指定卷积核数量参数filters，卷积核大小kernel_size，步长strides，填充padding等。

复制代码

1
2
3
4
5
6
7
8
#创建了4个3×3大小的卷积核的卷积层，步长为1，padding为'SAME'
layer = layers.Conv2D(4,kernel_size=3,strides=1,padding='SAME')
out = layer(x)
out
'''
<tf.Tensor: shape=(5, 5, 5, 4), dtype=float32, numpy=...
'''

复制代码

1
2
3
4
5
6
7
8
#4个4×3大小的卷积核，竖直方向步长=2，水平方向步长=3
layer = layers.Conv2D(4,kernel_size=(4,3),strides=(2,3),padding='SAME')
out = layer(x)
out
'''
<tf.Tensor: shape=(5, 3, 2, 4), dtype=float32, numpy=...
'''

在类Conv2D中，保存了卷积核张量W和偏置b，可以通过类成员trainable_variables直接返回W和b的列表。

复制代码

1
2
3
4
5
6
7
8
9
10
layer.trainable_variables
'''
[<tf.Variable 'conv2d_5/kernel:0' shape=(4, 3, 3, 4) dtype=float32, numpy=
 array([[[[ 0.08817413, -0.25375998,  0.11716652,  0.23988143],
          [ 0.0737316 ,  0.04550338,  0.02249208,  0.04421049],
          [-0.09486812, -0.03205609,  0.00232354,  0.0853363 ]],
         ......
 <tf.Variable 'conv2d_5/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>]
'''