Question

我有一些数据，我有一个2D数组A和一个内核K。我想计算这些卷积。我如何在TensorFlow中执行此操作。看起来内置卷积操作采用4D张量作为输入，因为它们假设我们正在计算具有多个颜色通道的批次。如何在数据中使用这些操作？

示例：

a = np.random.randint(2, size=(10,10))
k = [[1,1,1],[1,1,1],[1,1,1]]
# Compute convolution of these??
c = ...

Answer 1

import tensorflow as tf
import numpy as np

a = np.random.randint(2, size=(10,10))
k = [[1,1,1],[1,1,1],[1,1,1]]

tensor_a = tf.constant(a, tf.float32)
tensor_k = tf.constant(k, tf.float32)

tensor_res = tf.nn.convolution(tf.reshape(tensor_a, [1, 10, 10, 1]), tf.reshape(tensor_k, [3, 3, 1, 1]), padding='VALID')

sess = tf.Session()
print(sess.run(tensor_res))

计算图教程是here

卷积助手doc

Answer 2

到目前为止发布的答案都错过了一个重点：Tensorflow 不计算卷积，但是doc中所述的互相关：

请注意，尽管这些操作被称为＆＃34;卷积＆＃34;，但它们是严格来说，＃34;互相关＆＃34;因为过滤器是组合的使用输入窗口而不反转过滤器。

如果你真的想要计算卷积，你必须在将内核传递到conv2d之前将其反转，即在水平方向上然后在垂直轴上翻转一次。使用Miriam的答案，这可能是这样的：

import tensorflow as tf
import numpy as np

a = np.random.randint(2, size=(10,10))
k = np.array([[1,1,1],[1,1,1],[1,1,1]],dtype=np.float32)
flip = [slice(None, None, -1), slice(None, None, -1)]
k = k[flip]

a=a.astype(np.float32)
a_tensor = tf.reshape(a, [1, 10, 10, 1])
k_weight = tf.reshape(np.array(k), [3,3,1,1])
c=tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1])
sess=tf.Session()
c.eval(session=sess)

请注意，在此特定示例中，翻转内核在技术上是徒劳的，因为对称内核卷积和互相关是一回事。但是，只要您有非对称内核，如果您希望Tensorflow实际计算卷积，则必须将其翻转。

Answer 3

除了kaufmanu的答案外，如果需要2D结果，还可以使用tf.squeeze。即

c=tf.squeeze(tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1]))

执行卷积。

TensorFlow 2D阵列的卷积

3 个答案: