Python 从tf.contrib.layers.conv2d切换到tf.nn.conv2d

到目前为止，我使用的是

tf.contrib.layers.conv2d

，但是（例如，为了允许前面讨论的权重衰减过滤器），我想切换到

tf.nn.conv2d

实现。但是，我对参数感到困惑，因为显然我需要指定以前没有指定的内容

有了doc和SO条目，我尝试了一下。对于具有[batch_size，x，y，Channel]的4D张量，这两个版本是否相同？即，我是否正确地假设input_layer.shape[-1]表示

输入_通道

，如

过滤器

所需，并且我必须明确地将跨步设置为输入张量的DIM数：

带有tf.contrib.layers.conv2d（原件）

使用tf.nn.conv2d

---

你似乎已经得到了正确的形状，最明显的问题似乎是你不应该告诉

tf.nn.conv2d

形状，你应该传递它的实际重量张量

down0w = tf.get_variable("down0w", shape=[3, 3, input_layer.shape[-1], n_features], initializer=tf.contrib.layers.xavier_initializer())
down0a = tf.nn.conv2d(input_layer, filter=down0w, strides=[1, 1, 1, 1], padding='SAME')

down0a = tf.nn.conv2d(input_layer, filter=[3, 3, input_layer.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')
down0ar = tf.nn.relu(down0a)
down0b = tf.nn.conv2d(down0ar, filter=[3, 3, down0ar.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')
down0br = tf.nn.relu(down0b)
down0c = tf.nn.max_pool(down0br, [2, 2, down0br.shape[-1], n_features], strides=[1, 1, 1, 1], padding='SAME')

down0w = tf.get_variable("down0w", shape=[3, 3, input_layer.shape[-1], n_features], initializer=tf.contrib.layers.xavier_initializer())
down0a = tf.nn.conv2d(input_layer, filter=down0w, strides=[1, 1, 1, 1], padding='SAME')