Tensorflow中卷积层的操作

Question

我正在阅读有关使用 TF 进行深度学习的卷积，源代码在此处Deep learning with Tensorflow。我阅读了卷积层的定义：

       def conv_layer(input, size_in, size_out, name="conv"):
         with tf.name_scope(name):
           w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1), name="W")
           b = tf.Variable(tf.constant(0.1, shape=[size_out]), name="B")
           conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding="SAME")
           act = tf.nn.relu(conv + b)
           return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

虽然我阅读了一些相关文档，但我仍然不明白其中每个条目的确切含义

      [5, 5, size_in, size_out]    

以及以下代码的含义：

      act = tf.nn.relu(conv + b)
      return tf.nn.max_pool()

你能帮我解决这个基本问题吗？

提前致谢，

Answer 1

我建议你开始阅读官方教程，然后再看一些拿过官方教程的人的代码，并通过删除cmets和解释稍微modified它。

您的[5, 5, size_in, size_out] 是conv2d 中传递的变量的形状，通过阅读文档是

形状为 [filter_height, filter_width, in_channels, out_channels] 的内核张量

in_channels 是输入图像中的通道数。灰度图像为 1，RGB 为 3。Out_channels 是任意数字。

这段代码的含义

act = tf.nn.relu(conv + b)
tf.nn.max_pool()

是CNN、relu和maxpooling的标准块。每个定义都有大量的信息。