tensorflow中mnist 使用cnn模型训练的输出层数为7x7的原因
2016-09-21 18:30
507 查看
return
tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
x的输入各列含义为[batch,输入高度,输入宽度,输入通道数]
W为[filter_height, filter_width, in_channels, out_channels]`
按照示例中的含义表示x输入为28*28的图像,输入的图像通道为1,
W表示卷积核为5*5 输入输入通道为1,输出通道为32
其中striders表示对四维的输入和卷积核上步进为1
padding 为SAME的时候表示卷积的输入和输出的大小不变,如果为VALID的话,那么,输出大小为28-(5-1)=24
在实例中第一层 28*28->conv[5,5]->28*28->pool[2*2]->14*14->conv[5*5]->14*14->pool[2,2]->7*7
所以对于全连接层来说,输入的图片为7*7*64
参考http://www.jianshu.com/p/2186766b69dc#
tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
Given an input tensor of shape `[batch, in_height, in_width, in_channels]`
x的输入各列含义为[batch,输入高度,输入宽度,输入通道数]
W为[filter_height, filter_width, in_channels, out_channels]`
按照示例中的含义表示x输入为28*28的图像,输入的图像通道为1,
W表示卷积核为5*5 输入输入通道为1,输出通道为32
其中striders表示对四维的输入和卷积核上步进为1
padding 为SAME的时候表示卷积的输入和输出的大小不变,如果为VALID的话,那么,输出大小为28-(5-1)=24
在实例中第一层 28*28->conv[5,5]->28*28->pool[2*2]->14*14->conv[5*5]->14*14->pool[2,2]->7*7
所以对于全连接层来说,输入的图片为7*7*64
参考http://www.jianshu.com/p/2186766b69dc#
相关文章推荐
- 使用自己的图片测试MNIST训练效果(TensorFlow1.5+CNN)
- TensorFlow安装与入门: 使用CNN训练MNIST
- Tensorflow实现cnn模型的训练与使用
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)【转】
- 用tensorflow框架和Mnist手写字体,训练cnn模型以及测试一张手写字体
- Tensorflow 使用CNN 进行mnist 训练代码示例
- Tensorflow实现cnn模型的训练与使用
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)
- Tensorflow中mnist数据使用CNN训练
- caffe+python 使用训练好的VGG16模型 对 单张图片进行分类,输出置信度
- 使用TensorFlow编写识别数字的CNN训练程序详解
- 自己定义CNN网络模型并使用caffe训练
- Tensorflow训练CNN网络识别mnist
- tensorflow学习(3):解读mnist_experts例子,训练保存模型并tensorboard可视化
- 使用caffemodel模型(由mnist训练)测试单张手写数字样本
- Tensorflow使用笔记(1) 怎么保存和使用训练好的参数和模型
- tensorflow训练自己的数据集实现CNN图像分类2(保存模型&测试单张图片)
- Tensorflow 训练自己的cnn模型 行人识别
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测