Neural network Tensorflow中的独立图像块提取

在中，将

tf.nn.conv2d

-操作描述为：

将过滤器展平为二维矩阵，形状

[过滤器高度*过滤器宽度*输入通道，输出通道]

从输入张量中提取图像面片，以形成形状的虚拟张量

[批处理、输出高度、输出宽度、过滤器高度*过滤器宽度*输入通道]

对于每个面片，将滤波器矩阵和图像面片向量相乘

---

是否有只应用步骤2的操作？我在API文档中找不到类似的内容。我可能使用了错误的关键字进行搜索。

我想这样做的诀窍是：

使用

output\u channels=filter\u height*filter\u width*in\u channels

将此过滤器的值固定为当过滤器展平为二维矩阵时（参见步骤2），它是单位矩阵。查看下面的示例代码，了解使用

np.eye（）.reforme（）执行此操作的简单方法。

执行一个正常的

tf.nn.conv2d（输入、筛选、步幅=[1,1,1,1]，padding='SAME'）

您现在有一个shape

[批处理、输出高度、输出宽度、过滤器高度*过滤器宽度*输入通道]

---

下面是一个简单的代码，用于大小为3*3的输入图像，带有一个通道（和批量大小为1）

将tensorflow导入为tf
将numpy作为np导入
输入值=np.arange（1,10）。重塑（1,3,3,1））
输入=tf常数（输入值）
输入=tf.cast（输入，tf.float32）
过滤器_值=np.眼睛（9）.重塑（（3,3,1,9））
filter=tf.常数（filter\u值）
过滤器=tf.cast（过滤器，tf.float32）
output=tf.nn.conv2d（输入、过滤、步幅=[1,1,1,1]，padding='SAME'）

我想这样做的诀窍是：

使用

output\u channels=filter\u height*filter\u width*in\u channels

将此过滤器的值固定为当过滤器展平为二维矩阵时（参见步骤2），它是单位矩阵。查看下面的示例代码，了解使用

np.eye（）.reforme（）执行此操作的简单方法。

执行一个正常的

tf.nn.conv2d（输入、筛选、步幅=[1,1,1,1]，padding='SAME'）

您现在有一个shape

[批处理、输出高度、输出宽度、过滤器高度*过滤器宽度*输入通道]

---

下面是一个简单的代码，用于大小为3*3的输入图像，带有一个通道（和批量大小为1）

将tensorflow导入为tf
将numpy作为np导入
输入值=np.arange（1,10）。重塑（1,3,3,1））
输入=tf常数（输入值）
输入=tf.cast（输入，tf.float32）
过滤器_值=np.眼睛（9）.重塑（（3,3,1,9））
filter=tf.常数（filter\u值）
过滤器=tf.cast（过滤器，tf.float32）
output=tf.nn.conv2d（输入、过滤、步幅=[1,1,1,1]，padding='SAME'）

这现在添加到tensorflow api中：

这现在添加到tensorflow api中：

谢谢，我将尝试一下这种方法。很遗憾，我们不得不做“不必要的工作”，但它可能比我目前只使用CPU的自定义操作快。谢谢，我将尝试这种方法。很遗憾，我们不得不做“不必要的工作”，但它可能比我目前只使用CPU的自定义操作快。谢谢。然而，我发现，不幸的是，这个操作的梯度还没有定义。谢谢。然而，我发现，不幸的是，这个操作的梯度还没有定义。