1. tf.nn.conv2d

tf.nn.conv2d(input, # 張量輸入filter, # 卷積核參數(shù)strides, # 步長參數(shù)padding, # 卷積方式use_cudnn_on_gpu=None, # 是否是gpu加速data_format=None, # 數(shù)據(jù)格式，與步長參數(shù)配合，決定移動方式name=None): # 名字，用于tensorboard圖形顯示時使用

關鍵參數(shù)如下

input.shape=[batch, in_height, in_width, in_channels]

filter.shape= [filter_height, filter_width, in_channels, out_channels ]

strides = [1, stride, stride, 1].
必須滿足strides[0] = strides[3] = 1.
在大多數(shù)情況下 strides = [1, stride, stride, 1].

2. tf.layers.conv2d

這是tensorflow 更高一級的api,和keras.layer類似

conv2d(inputs, filters, kernel_size, strides=(1, 1), padding='valid', data_format='channels_last', dilation_rate=(1, 1),activation=None, use_bias=True, kernel_initializer=None,bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000002596A1FD898>, kernel_regularizer=None,bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None,reuse=None)

• input 和tf.nn.conv2d 一樣，必須是4維張量，input.shape=[batch, in_height, in_width, in_channels]
• filters：整數(shù)，表示輸出空間的維數(shù)（即卷積過濾器的數(shù)量），對應于tf.nn.conv2d中的out_channels
• kernel_size：一個整數(shù)，或者包含了兩個整數(shù)的元組/隊列，表示卷積窗的高和寬。如果是一個整數(shù)，則寬高相等。 對應于tf.nn.conv2d中的(filter_height, filter_width)

2. keras.layers.conv2d

keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

filters：卷積核的數(shù)目（即輸出的維度）

kernel_size：單個整數(shù)或由兩個整數(shù)構成的list/tuple，卷積核的寬度和長度。如為單個整數(shù)，則表示在各個空間維度的相同長度。

strides：單個整數(shù)或由兩個整數(shù)構成的list/tuple，為卷積的步長。如為單個整數(shù)，則表示在各個空間維度的相同步長。任何不為1的strides均與任何不為1的dilation_rate均不兼容

padding：補0策略，為“valid”, “same” 。“valid”代表只進行有效的卷積，即對邊界數(shù)據(jù)不處理。“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。

activation：激活函數(shù)，為預定義的激活函數(shù)名（參考激活函數(shù)），或逐元素（element-wise）的Theano函數(shù)。如果不指定該參數(shù)，將不會使用任何激活函數(shù)（即使用線性激活函數(shù)：a(x)=x）

dilation_rate：單個整數(shù)或由兩個個整數(shù)構成的list/tuple，指定dilated convolution中的膨脹比例。任何不為1的dilation_rate均與任何不為1的strides均不兼容。

data_format：字符串，“channels_first”或“channels_last”之一，代表圖像的通道維的位置。該參數(shù)是Keras 1.x中的image_dim_ordering，“channels_last”對應原本的“tf”，“channels_first”對應原本的“th”。以128x128的RGB圖像為例，“channels_first”應將數(shù)據(jù)組織為（3,128,128），而“channels_last”應將數(shù)據(jù)組織為（128,128,3）。該參數(shù)的默認值是~/.keras/keras.json中設置的值，若從未設置過，則為“channels_last”。

use_bias:布爾值，是否使用偏置項

kernel_initializer：權值初始化方法，為預定義初始化方法名的字符串，或用于初始化權重的初始化器。參考initializers

bias_initializer：權值初始化方法，為預定義初始化方法名的字符串，或用于初始化權重的初始化器。參考initializers

kernel_regularizer：施加在權重上的正則項，為Regularizer對象

bias_regularizer：施加在偏置向量上的正則項，為Regularizer對象

activity_regularizer：施加在輸出上的正則項，為Regularizer對象

kernel_constraints：施加在權重上的約束項，為Constraints對象

bias_constraints：施加在偏置上的約束項，為Constraints對象

總結

以上是生活随笔為你收集整理的tf.nn.conv2d 与tf.layers.conv2d的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。