Question

我有两个形状为N x D1和M x D2的张量，其中D1> 0。 D2，分别称为X和Y.对于我的任务，X充当输入，Y充当过滤器。

我想计算一个形状为N x M x（D1-D2 + 1）的矩阵P，以便：

P[0,0,0] = dot(X[0,0:D2], Y[0,:]) 
P[0,0,1] = dot(X[0,1:D2+1], Y[0,:]) 
... 
P[N-1,M-1,D1-D2] = dot(X[N-1,D1-D2:D1], Y[M-1,:])

我可以创建一个for循环并手动滑动Y并计算点积。但是我更喜欢使用关联运算符。据我所知，tensorflow已经实现了相关运算符（https://www.tensorflow.org/versions/master/api_docs/python/nn/convolution），但我不知道如何使用我的张量作为输入和过滤器。

Answer 1

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

在您的情况下，我将步幅设置为1，并填充为SAME。

tf.nn.conv2d（X，Y，strides = 1，padding = SAME）

Answer 2

是的，您确实可以使用tf.nn.conv2d（），但您应该同时添加批量和渠道维度：

X = tf.expand_dims(tf.expand_dims(X,0),-1) 
# X.shape [batch=1, in_height, in_width, in_channels=1] 
Y = tf.expand_dims(tf.expand_dims(Y,-1),-1)
# Y.shape = [filter_height, filter_width, in_channels=1, out_channels=1]

# Convolution (actually correlation, see doc of conv2d) 
xcorr = tf.nn.conv2d(X, Y, padding="VALID", strides=[1, 1, 1, 1])
# Padding should be VALID, since you've already padded your input

CAVEAT：但是，您不能为批量信号推断这种方法，因为tf.nn.conv2d在批量维度上始终使用相同的过滤器，根据我的理解，您确实想要更改它。

使用Tensorflow卷积滑动内部产品

2 个答案: