Tensorflow卷积网络——维度（形状）是如何计算的？答案

【问题标题】：Tensorflow convolutional network - how the dimension (shape) is calculated?Tensorflow卷积网络——维度（形状）是如何计算的？
【发布时间】：2017-03-14 04:28:33
【问题描述】：

我不确定 tensorflow 中的卷积中性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])
第一个卷积层由：(h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)) 完成
第一层的形状是：h_pool1.get_shape()和TensorShape([Dimension(10), Dimension(14), Dimension(14), Dimension(32)])

Q1：为什么第一个维度是10？

Q2：为什么 5x5 的贴片尺寸会缩小到 14x14？如果我有一个 28x28 的图像，并且我对所有像素应用 5x5 补丁，我希望超过 14x14。

Q3：-1 在x_image 的代码中做了什么？

【问题讨论】：

标签： python neural-network tensorflow

【解决方案1】：

形状是（batch_size、height、width、channel）。

Q1. 10 是您的批量大小。我猜你有这样的一行：

x = tf.placeholder(tf.float32, shape=[10, 784])

虽然在教程中的行是：

x = tf.placeholder(tf.float32, shape=[None, 784])

这样，您将拥有批量大小“Dimension(None)”而不是“Dimension(10)”。

第二季度。 Layer1 包括一个卷积层和一个最大池化层。带有"SAME" padding 的卷积层将输出相同大小的东西。尺寸减小来自带有“SAME”填充的 2x2 最大池，它输出 (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，以便总尺寸保持不变。

【讨论】：