Tensorflow 二维阵列的张量流卷积

我有一些数据，其中有一个2D数组

a

和一个内核

K

。我想计算这些的卷积。如何在TensorFlow中执行此操作。看起来内置的卷积运算以4D张量作为输入，因为它们假设我们正在计算具有多个颜色通道的批次。如何将这些ops用于我的数据

例如：

a = np.random.randint(2, size=(10,10))
k = [[1,1,1],[1,1,1],[1,1,1]]
# Compute convolution of these??
c = ...

计算图教程是

---

卷积助手

到目前为止发布的答案都忽略了一个重要的点：Tensorflow不计算卷积，而是一个互相关，如下所述：

请注意，尽管这些操作称为“卷积”，但它们是 严格地说，“互相关”是因为滤波器是组合的 使用输入窗口，而不反转过滤器

如果您真的想计算卷积，则必须先反转内核，然后再将其传递到

conv2d

，即在水平轴上翻转一次，然后在垂直轴上翻转。根据米里亚姆的回答，这可能是这样的：

import tensorflow as tf
import numpy as np

a = np.random.randint(2, size=(10,10))
k = np.array([[1,1,1],[1,1,1],[1,1,1]],dtype=np.float32)
flip = [slice(None, None, -1), slice(None, None, -1)]
k = k[flip]

a=a.astype(np.float32)
a_tensor = tf.reshape(a, [1, 10, 10, 1])
k_weight = tf.reshape(np.array(k), [3,3,1,1])
c=tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1])
sess=tf.Session()
c.eval(session=sess)

---

请注意，在这个特定示例中，翻转内核在技术上是徒劳的，因为对于对称内核，卷积和互相关是同一回事。然而，一旦你有了一个非对称核，如果你想让Tensorflow实际计算卷积，你就必须翻转它。

除了考夫曼努的答案，如果你需要一个2D结果，你可以使用

tf.squesh

。即

c=tf.squeeze(tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1]))

执行卷积运算

c=tf.squeeze(tf.nn.conv2d(a_tensor, k_weight,padding='VALID',strides=[1, 1, 1, 1]))