二维数组的TensorFlow卷积答案

【问题标题】：TensorFlow convolution of 2D array二维数组的TensorFlow卷积
【发布时间】：2018-10-12 09:42:33
【问题描述】：

我有一些数据，其中有一个二维数组 A 和一个内核 K。我想计算这些的卷积。我如何在 TensorFlow 中做到这一点。看起来内置的卷积运算将 4D 张量作为输入，因为它们假设我们正在计算具有多个颜色通道的批次。如何对我的数据使用这些操作？

例子：

a = np.random.randint(2, size=(10,10))
k = [[1,1,1],[1,1,1],[1,1,1]]
# Compute convolution of these??
c = ...

【问题讨论】：

标签： tensorflow

【解决方案1】：

import tensorflow as tf
import numpy as np

a = np.random.randint(2, size=(10,10))
k = [[1,1,1],[1,1,1],[1,1,1]]

tensor_a = tf.constant(a, tf.float32)
tensor_k = tf.constant(k, tf.float32)

tensor_res = tf.nn.convolution(tf.reshape(tensor_a, [1, 10, 10, 1]), tf.reshape(tensor_k, [3, 3, 1, 1]), padding='VALID')

sess = tf.Session()
print(sess.run(tensor_res))

计算图教程是here

卷积助手doc

【讨论】：

【解决方案2】：

到目前为止发布的答案都错过了一个重要点：Tensorflow 不计算卷积，而是计算交叉相关，如 doc 中所述：

请注意，虽然这些操作称为“卷积”，但它们是严格来说是“互相关”，因为滤波器是组合的带有输入窗口而不反转过滤器。

如果您真的想计算卷积，则必须先反转内核，然后再将其传递给conv2d，即在水平轴上翻转一次，然后在垂直轴上翻转一次。使用 Miriam 的答案，这可能看起来像这样：

import tensorflow as tf
import numpy as np

a = np.random.randint(2, size=(10,10))
k = np.array([[1,1,1],[1,1,1],[1,1,1]],dtype=np.float32)
flip = [slice(None, None, -1), slice(None, None, -1)]
k = k[flip]

a=a.astype(np.float32)
a_tensor = tf.reshape(a, [1, 10, 10, 1])
k_weight = tf.reshape(np.array(k), [3,3,1,1])
c=tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1])
sess=tf.Session()
c.eval(session=sess)

请注意，在这个特定示例中，翻转内核在技术上是徒劳的，因为对于对称内核，卷积和互相关是一回事。然而，一旦你有了一个非对称内核，如果你想让 Tensorflow 实际计算卷积，就必须翻转它。

【讨论】：

【解决方案3】：

除了 kaufmanu 的回答，如果您需要 2D 结果，您可以使用tf.squeeze。即，

c=tf.squeeze(tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1]))

执行卷积。

【讨论】：