新星的未来2018—07 01 01:38
    
     使用.orflow编写CNN时，调用卷积内核api时，您需要填写填充样式参数，并在源代码中找到如下定义的函数（max pooling也是相同的）：def conv2d（输入、筛选、步长、填充、use_cudnn_on_gpu=None、data_format=None填充参数填充的源代码：从相同的、有效的字符串中使用的填充算法的类型。假设填充可以以SAME和VALID两种方式使用，但是对于这两种方式，并没有详细说明是什么。常数（{{ 1，2，3 }，{ 4，5，6。}}}）x= Tf。整形（X，{ 1, 1, 2，3, 1 }）α给出TF所接受的形状。神经网络。Max PoalValuePADPADIPAD= TF。Max PoalValueIdPad＝TF。max_pool(x,x,{1,2,2,1},1,1},1},1},1},1},1},1},1},1},1},1},LIdding='LIpad')LIpad='.')matf='pad x_pool(x)打印的更终输出(valid_pad.get_.())print(._pad.get_.())12345678910是：(1,1,1,1,1)(1,2,2,1)。可以看出，SAME比VALID多填充了一列。让我们来看看变量x是2x3的矩阵，更大池窗口是2x 2，并且二维的步长等于2。自从窗口可以重写（橙色区域执行更大池操作）以来，这是第一次没问题：123456后面跟着SAME和VALID之间的差，因为步长是2，所以VALID在向右滑动两步之后发现剩余的窗口小于2x2，所以它直接进入第三列，并且SAME不再添加一个。列被丢弃，但是只有一个列不够2x2填充！如上所示，SAME添加第四列以确保2x2，但是为了不影响原始图像像素信息，通常填充0。（这里以表格形式显示，标记不能很好地控制格式，只是理解其含义），所以不难理解当在文本中使用CNN时，卷积层通常将卷积核的大小设置为n*k，其中k是输入向量的维数（即{n，k，input_._num，output_._num}），然后我们需要选择VALID填充方法，此时窗口只是沿着一维而不是二维扫描。在统计语言模型中，它可以理解为N-gram。源nn_ops.py中的卷积函数和池函数给出以下公式{i}=ceil(input_._.{i}strides{i})如果padding==VALID：output_._.{i}=ceil((input_._.{i})=ceil((input_spati})。12345678dilation_rate是一个可选参数，默认为1，在这里我们可以忽略它。new_.=WS new_.=new_.=new_.=WS，其中WW是输入大小，FF是过滤器大小，SS是步长，并且采用整数符号。