我不确定tensorflow中的卷积神经网络是如何计算这个tutorial中的维度的.
- 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]
) - 第一个卷积层通过以下方式完成:(
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
) - 第一层的形状为:
h_pool1.get_shape()
和TensorShape([Dimension(10), Dimension(14), Dimension(14), Dimension(32)] )
问题1:为什么第一个维度是10?
问题2:为什么 5x5 的 patch 尺寸会将尺寸缩小到 14x14?如果我有一个 28x28 图像,并且我对所有像素应用 5x5 补丁,我预计会超过 14x14。
问题3:x_image
代码中的-1
有什么作用?
最佳答案
形状为(batch_size、高度、宽度、 channel )。
Q1。 10 是您的批量大小。我猜你有这样一行:
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,您的批量大小将是“Dimension(None)”而不是“Dimension(10)”。
第二季度。 Layer1包括卷积层和最大池化层。卷积层"SAME" padding将输出相同大小的东西。尺寸减小来自具有“SAME”填充的 2x2 最大池,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)
第三季度。 tf.reshape() with a single dimension "-1"保留程序自动计算的尺寸,以便总大小保持不变。
关于python - Tensorflow卷积网络——如何计算维度(形状)?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40353197/