[tf]卷积神经网络
2018-12-10 本文已影响0人
VanJordan
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
-
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]
。 -
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。 -
padding
:string
类型的量,只能是"SAME"
,"VALID"
其中之一,padding = ‘VALID’ 时,没有填充.因此输出的size
总比原图的size
小,padding = ‘SAME’ 时,用0
填充边界.能覆盖原图所有像素,不会舍弃边上的元素;当步长/stride
为1
时,输出和原图size
一致。
b = tf.Variable(tf.constant(0.0, shape=[num_filters]), name="b")
conv = tf.nn.conv2d(
self.embedded_chars_expanded,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
tf.nn.bias_add(conv,b)
tf.nn.bias_add(value, bias)
:表示将bias
加到value
上。
tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
: 相当于matmul(x, weights) + biases。