filter - tensorflow 中的 CNN2D 和 CNN2D 在使用方面的区别

Question

在 TensorFlow 的 2D 卷积中，我们有:

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

和

tf.contrib.layers.convolution2d(*args, **kwargs)

• 我不确定差异？
• 我知道如果我想使用特殊的过滤器，我应该使用第一个，对吧？但还有什么？特别是关于输出？

谢谢

Answer 1

tf.nn.conv2d(...) 是 TensorFlow 提供的核心低级卷积功能。 tf.contrib.layers.conv2d(...) 是围绕 core-TensorFlow 构建的更高级别 API 的一部分。

请注意，在当前的 TensorFlow 版本中，部分层现在也位于核心中，例如tf.layers.conv2d。

区别很简单，tf.nn.conv2d 是一个运算，只进行卷积，仅此而已。 tf.layers.conv2d 可以做更多的事情，例如它还为内核和偏差创建变量。

查看使用 Tensorflow 核心的 CNN 的 Tensorflow 教程 ( here )。使用低级 API，卷积层的创建方式如下:

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

将其与 CNN 的 TF 层教程 ( here ) 进行比较。使用 TF Layers，卷积层的创建如下:

conv1 = tf.layers.conv2d(
  inputs=input_layer,
  filters=32,
  kernel_size=[5, 5],
  padding="same",
  activation=tf.nn.relu)

在不知道您的用例的情况下:您很可能想使用tf.layers.conv2d。