从 tf.contrib.layers.conv2d 切换到 tf.nn.conv2d答案

【问题标题】：Switching from tf.contrib.layers.conv2d to tf.nn.conv2d从 tf.contrib.layers.conv2d 切换到 tf.nn.conv2d
【发布时间】：2018-09-07 17:21:39
【问题描述】：

到目前为止，我正在使用tf.contrib.layers.conv2d，但是（例如，允许使用here 讨论的权重衰减过滤器）我想切换到tf.nn.conv2d 实现。但是我对参数感到困惑，因为显然我需要指定之前没有指定的东西。

使用 doc 和 SO 条目，我试了一下。对于具有 [batch_size, x, y, channels] 的 4D-Tensors，这两个版本是否相同？即我是否正确假设 input_layer.shape[-1] 代表input_channels 所要求的filter 并且我必须明确地将步幅设置为我的输入张量的暗淡数量：

与 tf.contrib.layers.conv2d（原始）

down0a = tf.contrib.layers.conv2d(input_layer, n_features, (3, 3))
down0b = tf.contrib.layers.conv2d(down0a, n_features, (3, 3))
down0c = tf.contrib.layers.max_pool2d(down0b_do, (2, 2), padding='same')

与 tf.nn.conv2d

down0a = tf.nn.conv2d(input_layer, filter=[3, 3, input_layer.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')
down0ar = tf.nn.relu(down0a)
down0b = tf.nn.conv2d(down0ar, filter=[3, 3, down0ar.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')
down0br = tf.nn.relu(down0b)
down0c = tf.nn.max_pool(down0br, [2, 2, down0br.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')

【问题讨论】：

标签： python tensorflow

【解决方案1】：

你似乎得到了正确的形状，最明显的问题似乎是你不应该告诉tf.nn.conv2d形状，你应该将实际的重量张量传递给它。

down0w = tf.get_variable("down0w", shape=[3, 3, input_layer.shape[-1], n_features], initializer=tf.contrib.layers.xavier_initializer())
down0a = tf.nn.conv2d(input_layer, filter=down0w, strides=[1, 1, 1, 1], padding='SAME')

【讨论】：