cnn算法介绍,cnn定义

　　平时不关心的细节我也不知道，所以每一个参数我都在认真对待。

　　首先，tensorflow包含哪些卷积运算？

　　3359张量flow.Google.cn/API _ docs/python/TF/nn/conv 2d

　　TF.nn.conv2d(input，filter，steps，padding，use_cudnn_on_gpu=True，data_format=NHWC ，dilution g其实就是固定你输入的格式。当NHWC对应于您的输入数据的尺寸[批量大小，高度，宽度，通道]，[

　　其实大踏步中的参数和这个data_format是一一对应的。你什么意思？也就是说，当采用NHWC模式和大步数=[a，b，c，d]时，卷积核偏移过程会发生什么变化？在该批次的维度上，根据步长=a的大小进行移动计算.同样，在每个HWC维度上移动的步长是B C D，这里a和d的值都是1，因为batch和channel必须分开计算。c的值可以根据情况变化，它们的值直接关系到输出特征图的维数。

　　我们来看看两个参数的计算方法，padding=same和valid。

　　参考文献：3359 www . Jian 1621 c7e

　　假设输入图像尺寸为w * h。

　　内核大小为k _ h * k _ w。

　　将h方向的步幅设置为h，将W方向的步幅设置为W.

　　请求新输出特性图的大小、n_h和n_w。

　　在有效模式下，他只修改原始绘图。

　　所以n_h=(h-k_h )/h向上取整，加1；

　　N_w=(w-k_w )/h向上取整加1；

　　同样的模式，他在填充的时候会自动加0。

　　那么什么时候有必要呢？首先根据公式n_h=H/h和n_w=W/w进行舍入得到最终输出n_h和n_w，根据需要将输出n_h和n_w按回原位，需要补0。

　　Pad_need_H=(n_h -1) * h K_h-H在H方向