在卷积层中使用自定义过滤器进行张量流答案

【问题标题】：Using a custom filter in convolution layer for tensorflow在卷积层中使用自定义过滤器进行张量流
【发布时间】：2017-05-21 14:55:33
【问题描述】：

我一直在从各种教程中学习 Tensorflow，我想知道是否可以定义一个自定义过滤器供卷积网络使用。例如，如果我知道特征中存在有意义的结构，使得所有其他特征都相关，我想定义一个看起来像 [0 1 0 1 0 1] 的过滤器。

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

到目前为止我看到的所有示例都使用：

tf.random_normal

或

tf.truncated_normal

用于过滤器参数。我可以将 [0 1 0 1] 放在 filter 参数中吗？

【问题讨论】：

【解决方案1】：

你当然可以！您可以将任何（浮点）值放入卷积过滤器中。

然而，卷积过滤器中的值通常是变量，其值是 Tensorflow 在训练期间学习的，而不是常量。 “tf.random_normal”和“tf.truncated_normal”值仅用于设置过滤器的初始值。这些变量的值将在训练期间通过梯度下降算法进行更新。

有关使用卷积神经网络进行训练的示例，请查看此处的教程： https://www.tensorflow.org/versions/r0.9/tutorials/deep_cnn/index.html

希望有帮助！

【讨论】：

【解决方案2】：

是的，但是 CNN 的重点是根据数据学习最好的内核。同样tf.conv2d 学习的不是一个内核，而是out_channels 内核。

在 CNN 之前，人们实际上使用了各种kernels。

【讨论】：