在卷积层中使用自定义滤波器进行张量流

Question

我从各种教程中学习Tensorflow，并且想知道是否可以为卷积网定义自定义过滤器。例如，如果我知道要素中有有意义的结构，使得每个其他要素都相关，我想要定义一个看起来像[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，我见过的所有例子都使用了：

tf.random_normal

或

tf.truncated_normal

用于过滤器参数。我是否可以将[0 1 0 1]放入过滤器参数中，这对我有意义吗？

Answer 1

你当然可以！您可以在卷积滤镜中放置任何（浮点）值。

但是，卷积滤镜中的值通常是变量，其值Tensorflow在训练期间学习，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

希望有所帮助！

Answer 2

是的，但CNN的主要目的是根据数据学习最好的内核。另外tf.conv2d不是学习一个内核，而是学习out_channels内核。

在CNN之前，人们实际使用了各种kernels。