靜態(tài)和動(dòng)態(tài)維度
TensorFlow: Shapes and dynamic dimensions一文中译株，對(duì)張量的靜態(tài)和動(dòng)態(tài)維度做了描述猫牡。
- 使用tf.get_shape()獲取靜態(tài)維度
- 使用tf.shape獲取動(dòng)態(tài)維度
如果你的placeholder輸入的維度都是固定的情況下彻秆，使用get_shape()检诗。但是很多情況下，我們希望想訓(xùn)練得到的網(wǎng)絡(luò)可以用于任意大小的圖像，這時(shí)你的placeholder就的輸入維度都是[None,None,None,color_dim]這樣的涝登，在這種情況下霹娄，后續(xù)網(wǎng)絡(luò)中如果需要得到tensor的維度，則需要使用tf.shape拣宏。
tf.nn.conv2d和tf.layers.conv2d
tf.nn.conv2d和tf.layers.conv2d都可以用來(lái)定義一個(gè)卷積層沈贝，但是兩個(gè)函數(shù)又有所不同。我個(gè)人感覺(jué)
tf.layers.conv2d應(yīng)該是在tf.nn.conv2d的基礎(chǔ)上進(jìn)行封裝的勋乾，因?yàn)樗膮?shù)相對(duì)而言要簡(jiǎn)單很多宋下，最主要的參數(shù)有如下:
- 輸入tensor
input - 濾波器的數(shù)量
filters stridepadding
而濾波器的初始化，則完全可以自身完成辑莫。
對(duì)tf.nn.conv2d函數(shù)而言学歧，主要的參數(shù)如下：
- 輸入tensor
input - 濾波器tensor
filter stridepadding
主要區(qū)別就在于，使用tf.nn.conv2d的時(shí)候各吨，用戶需要自己初始化濾波器tensor枝笨，而不是自動(dòng)初始化。除此之外，兩者還有一個(gè)十分重要的區(qū)別：
-
tf.layers.conv2d在初始化濾波器的時(shí)候横浑，只需要給出濾波器個(gè)數(shù)剔桨，其實(shí)也就是輸出結(jié)果的featue map個(gè)數(shù)，也就是缺省認(rèn)為輸入函數(shù)的tensor的feature map 數(shù)量是已知的徙融。 -
tf.nn.conv2d在初始化濾波器的時(shí)候洒缀，filter參數(shù)的維度為：[filter_height, filter_width, in_channels, out_channels]，相當(dāng)于顯式的（in_chann）告知了輸入tensor的feature map個(gè)數(shù)欺冀。
在定義u-net的時(shí)候树绩，需要使用tf.slice函數(shù)取出一個(gè)tensor的一部分，雖然這個(gè)tensor的維度是（?, ?, ?, 512）維度隐轩，但是使用tf.slice以后饺饭，輸出的tensor則變成了（?, ?, ?, ?）維度，繼續(xù)將這樣的一個(gè)tensor輸入tf.layers.conv2d則會(huì)下面的錯(cuò)誤：
The channel dimension of the inputs should be defined. Found `None`.
但是將這個(gè)tensor給tf.nn.conv2d則不會(huì)產(chǎn)生相同的錯(cuò)誤职车，因?yàn)樵诙xfilter的時(shí)候瘫俊，定義了in_channels，相當(dāng)于糾正了tf.slice的錯(cuò)誤提鸟。
所以军援，在定義一些較為復(fù)雜網(wǎng)絡(luò)graph的時(shí)候，最好還是使用tf.nn.conv2d称勋，而不是使用tf.layers.conv2d胸哥。
