我想在什么时候为TensorFlow卷积设置批次或通道维度的跨步？

张量流实现了一个基本的卷积运算

我特别感兴趣的是“步长”参数，它可以让你设置卷积滤波器的步长——你每次移动滤波器的距离

中给出的示例，每个方向的图像步幅为1，如下所示：

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

链接文档中详细解释了步幅数组：

详细地说，使用默认的NHWC格式

必须具有步幅[0]=步幅[3]=1。对于相同水平和顶点步长的最常见情况，步长=[1，步长，步长，1]

注意，“跨步”的顺序与输入的顺序相匹配：

[批次、高度、宽度、通道]

为NHWC格式

显然，对于

批处理

和

频道

而言，步幅不是1是没有意义的，对吧？（过滤器应始终穿过每个批次和每个通道）

但是为什么在

strips[0]

和

strips[3]

中甚至可以选择除1以外的内容呢？（这里的“选项”是指您可以在传入的python数组中放入除1以外的内容，而不考虑上面的文档引用）

是否存在这样一种情况，即对于

批次

或

通道

维度，我会有一个非一步法，例如

tf.nn.conv2d(x, W, strides=[2, 1, 1, 2], padding='SAME')

---

如果是这样的话，这个例子在卷积运算方面意味着什么呢？

可能存在这样一种情况，即您将视频分块发送。这意味着您的批处理将是一系列帧。假设闭合帧应该非常相似，我们可以通过增加批处理步长来忽略其中的一些帧。据我所知。IDK关于通道跨步