Tensorflow卷积网络 - 如何计算尺寸（形状）？

提问于 2024-05-14T17:26:45+08:00

浏览次

2

我不确定张量流中的卷积中性网络如何计算tutorial中的维数 .

图像有28 * 28像素（ x_image = tf.reshape(x, [-1,28,28,1]) ）
补丁大小为5x5（ W_conv1 = weight_variable([5, 5, 1, 32] ）
第一个卷积层由：（ h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) ）完成
第一层的形状是： h_pool1.get_shape() 和 TensorShape([Dimension(10), Dimension(14), Dimension(14), Dimension(32)])

Q1 ：为什么第一个维度是10？

Q2 ：为什么5x5补丁尺寸会将尺寸减小到14x14？如果我有一个28x28的图像，并且我对所有像素应用5x5补丁，我预计会超过14x14 .

Q3 ： -1 在 x_image 的代码中做了什么？

1 回答

4
形状是（batch_size，height，width，channel） .

Q1. 10是您的批量大小 . 我猜你有这样一条线：
```
x = tf.placeholder(tf.float32, shape=[10, 784])
```
在教程中，该行是：
```
x = tf.placeholder(tf.float32, shape=[None, 784])
```
这样，您将批量化“Dimension（None）”而不是“Dimension（10）” .

Q2. Layer1包括卷积层和最大池层 . 带有"SAME" padding的卷积层将输出具有相同大小的内容 . 尺寸减小来自2x2最大池与"SAME"填充，其输出（h / 2，w / 2） .
```
def conv2d(x, W):
   return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
   return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                         strides=[1, 2, 2, 1], padding='SAME')

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
```
Q3. tf.reshape() with a single dimension "-1"保留程序自动计算的尺寸，以使总尺寸保持不变 .
回复于 2024-05-14T17:26:45+08:00

相关问题