在TensorFlow中，我有一个形状为x的张量[batch_of_batches_size,batch_of_images_size,image_height,image_width,nchannels]。它代表了一批批次的图像。 x的第一个索引，我将其称为＆＃34;批量索引＆＃34;，指向特定批次，第二个索引指向批次内的特定图像。 x的其余三个索引代表图像本身，其尺寸为image_height - { - 1}}和image_width个频道。
我想对图像应用2d卷积。过滤器的高度为nchannels，宽度为filter_height，我想使用filter_width填充，所有步幅等于'SAME'。但对于每个批处理索引1，我想应用一组不同的过滤器。过滤器张量名为i，其形状为w。对于每个批处理索引[batch_of_batches_size,filter_height,filter_width,nchannels,nfilters]，我想要的是应用于图像i过滤器x[i,:,:,:,:]（类似于我将如何应用函数w[i,:,:,:,:]）。我希望所有结果都保存在形状为conv2d的张量y中，以便此[batch_of_batches_size,batch_of_images_size,image_height,image_width,nfilters]的结果位于i。
数学上，我想要的是：
y[i,:,:,:,:]
除了第一个索引y[i,j,k,l,m] = SUM_{a,b,u} x[i,j,a,b,u]*w[i,k+a,l+b,u,m]之外，这与conv2d相同。
我想知道是否有办法在TensorFlow中使用内置函数。我知道我可以在第一维（批量索引）上使用i循环，并在每次迭代时对for和conv2d的rehspaed切片使用x。但是，是否有更简单，更有效或更优雅的方式，不需要切片和索引到张量？
我有一些但我没有找到解决方案的想法是（1）重塑\转置filters和x，使用w或{{1} }，然后再次重塑\ transpose。 （2）在conv2d和depthwise_conv2d的填充版本上使用conv3d。
答案 0 :(得分：1)
我找到了解决方案：
y = tf.map_fn(lambda u: tf.nn.conv2d(u[0],u[1],padding='SAME',strides=[1,1,1,1]),.elems=[x,w],dtype=tf.float32)
map_fn功能允许将conv2d运算符应用于x和w的每个第一维切片。