我什么时候想为TensorFlow卷积设置批处理或通道维度的步幅？
张量流用tf实现了一个基本的卷积运算。nn。conv2d。
我特别感兴趣的是“步长”参数，它可以设置卷积滤波器的步长——每次移动滤波器的距离。
早期教程中给出的示例是，每个方向的图像步幅为1
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
链接文档中详细介绍了跨步数组：
具体来说，使用默认的NHWC格式。。。
必须有步幅[0]=步幅[3]=1。对于最常见的相同水平和顶点步幅的情况，步幅=[1，步幅，步幅，1]。
注意，“跨步”的顺序与NHWC格式的输入顺序相匹配：<代码>[批次、高度、宽度、通道]。
显然，批次和通道的步幅不是1是没有意义的，对吗？（您的过滤器应该始终遍历每个批次和每个通道）
但是，为什么它甚至可以选择在跨步[0]和跨步[3]中放置除1以外的内容呢？（这里的“选项”是指您可以在传入的python数组中放入除1以外的内容，而不考虑上面的文档引用）
是否存在这样一种情况，即对于批处理或通道维度，我的步幅不是一步，例如。
tf.nn.conv2d(x, W, strides=[2, 1, 1, 2], padding='SAME')
若有，那个么这个例子在卷积运算方面意味着什么呢？
共有1个答案
可能会出现您以块发送视频的情况。这意味着您的批处理将是一系列帧。假设接近的帧应该非常相似，我们可以通过增加批处理步幅来省略其中的一些。据我所知。IDK不过是关于通道步幅的
-
我正在实现一个依赖于3D卷积的模型（对于类似于动作识别的任务），我想使用批量规范化（参见 下面的代码引用了TensorFlow r0.12，它显式地引用了变量——我的意思是我没有使用tf。承包商。学习tf以外的内容。承包商。图层。batch\u norm（）函数。我这样做是为了更好地理解事情是如何运作的，并且有更多的实现自由度（例如，变量摘要）。 我将通过首先编写完全连接层的示例，然后编写2D卷积
-
我在tensorflow上使用Keras API用python制作了一个CNN，我想用JavaScript实现这个CNN。但是在tf for js API0.15.3中，我找不到为卷积层添加步幅和填充的选项。 我的Python代码如下所示。 如果useBias为True，则创建一个偏置向量并将其添加到输出中。 如果激活不是null，它也会应用于输出。 当使用该层作为模型中的第一层时，提供关键字参数
-
本文向大家介绍什么是卷积？相关面试题，主要包含被问及什么是卷积？时的应答技巧和注意事项，需要的朋友参考一下 对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。
-
我已阅读文档。但我仍然不确定何时不需要将其设置为 。在下面的代码中，如果我将其设置为 ，我根本看不到标头。如果我把它留，那么一切都很好。 以下视图调试层次结构将发出警告“宽度和位置不明确”。 我想每当我需要修改代码中的任何内容时，我都必须将设置为。 也许更正确的说法是，如果您需要删除它的所有约束，然后将其设置为< code>false，然后添加您喜欢的内容，在这种情况下，您需要为所有4条边添加约束
-
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本章中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本节中，我们将介绍简单形式的二维卷积层的工作原理。 二维互相关运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cro
-
我正在关注TensorFlow的“专家深度列表”教程：https://www.tensorflow.org/tutorials/mnist/pros/ 第二卷积层具有形状【5、5、32、64】；也就是说，它有32个输入，而第一个卷积层有1个输入（该输入是我了解原始图像的灰度值）。 第二个卷积层有32个输入通道意味着什么？这是否意味着在第二层中学习的64个过滤器将全部应用（移位）到每像素具有32个点