深度学习面试题23：批次张量和卷积核的简易定义方式

时间：2019-07-26 14:34:42 阅读：94 评论：0 收藏：0 [点我收藏+]

标签：close dbf 顺序返回 channels bat isp info import

tf.constant([
    [
        [
            [3, 1, -3],
            [1, -1, 7]
        ],
        [
            [-2, 2, -5],
            [2, 7, 3]
        ]
    ],
    [
        [
            [-1, 3, 1],
            [-3, -8, 6]
        ],
        [
            [4, 6, 8],
            [5, 9, -5]
        ]
    ]
], tf.float32)

View Code

这是一个4维张量，中括号的层次比较多，因此定义起来很容易写错；另外一批卷积核的定义方式和他不同，这也增加了定义的难度。

批次输入的张量的定义方式为：[batch, in_height, in_width, in_channels]

多个卷积核的定义方式为：[filter_height, filter_width, in_channels, out_channels]

返回目录

简易定义的方式

技术图片

对一批输入：

按照图中蓝色的顺序声明一个一维张量，然后按照[batch, in_height, in_width, in_channels]，对一维张量reshape。

对一批卷积核：

按照图中红色的顺序声明一个一维张量，然后按照[filter_height, filter_width, in_channels, out_channels]，对一维张量reshape。

这样的话不需要写很多行并且包含复杂中括号关系的代码，看着张量能快速写出对应声明，提高写代码的效率，另外出错的概率会降低

import tensorflow as tf

# [batch, in_height, in_width, in_channels]
input = tf.constant([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16], tf.float32)
input = tf.reshape(input,[2,2,2,2])
print(input.shape)

# [filter_height, filter_width, in_channels, out_channels]
kernel = tf.constant([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16], tf.float32)
kernel = tf.reshape(kernel,[2,2,2,2])
print(kernel.shape)

print(tf.Session().run(tf.nn.conv2d(input,kernel,[1,1,1,1],"VALID")))