大家好，又见面了，我是你们的朋友全栈君。
《Tensorflow初级教程》
在Tensorflow中该API的功能是进行的是卷积操作，那是如何运行的呢？
卷积操作的目的
卷积操作的目的是提取图像的特征。都提取什么特种呢？根据不同的卷积核、不同的计算方式，会得到不同的特征提取图。
图（1）
左边是相同的一整图，通过三次卷积操作，得到了三张特征图，分别是锐化、浮雕、轮廓。
如何进行卷积操作
图（2）
咱们把上图分成几部分，通过几个关键词来了解卷积操作。
- 原图： 上图的绿色矩阵，这个是计算机眼中的图片。图片通过矩阵的方式进行表达。
- 卷积核： 上图的黄色矩阵，这个是卷积核，核的大小可以自定义，2×2、 3×3、5×5都可以的，卷积核里面的权值的不同，提取的特征图也不同，如图（1）所示不同的核得到的不同的特征图。
- 计算方式：上图灰色的箭头，代表原图矩阵与卷积核矩阵他们两个的计算方式。下面会进行讨论。
- 特征图：上图粉色部分，卷积操作最后获得的结果。
卷积的计算方式
图（3）
通过图3可以看出，是卷积核不停的在原图上进行滑动，每次滑动移动1格，然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据。
多样的卷积操作
| 卷积操作 | 讲解 |
|---|---|
图4 |
这种卷积操作叫SAME Padding，卷积操作后原图与特征图大小相同。每次移动一个格子 |
图5 |
这种卷积操作叫VALUE Padding，卷积操作后原图比特征图要大，每次移动的步长为2 |
图6 |
空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为 “扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间距。 |
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/140335.html原文链接：https://javaforall.net
![platform_driver_probe与platform_driver_register的区别[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
