卷積步長strides參數的具體解釋（轉）

conv1 = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')

這是一個常見的卷積操作，其中strides=【1,1,1,1】表示滑動步長為1，padding=‘SAME’表示填0操作

當我們要設置步長為2時，strides=【1,2,2,1】，很多同學可能不理解了，這四個參數分別代表了什么，查了官方函數說明一樣不明不白，今天我來解釋一下。

strides在官方定義中是一個一維具有四個元素的張量，其規定前后必須為1，這點大家就別糾結了，所以我們可以改的是中間兩個數，中間兩個數分別代表了水平滑動和垂直滑動步長值，於是就很好理解了。

在卷積核移動逐漸掃描整體圖時候，因為步長的設置問題，可能導致剩下未掃描的空間不足以提供給卷積核的，大小掃描 比如有圖大小為5*5,卷積核為2*2,步長為2,卷積核掃描了兩次后，剩下一個元素，不夠卷積核掃描了，這個時候就在后面補零，補完后滿足卷積核的掃描，這種方式就是same。如果說把剛才不足以掃描的元素位置拋棄掉，就是valid方式。

 ================================================================================================================

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name參數用以指定該操作的name，與方法有關的一共五個參數：

 

第一個參數input：指需要做卷積的輸入圖像，它要求是一個Tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 圖像通道數]，注意這是一個4維的Tensor，要求類型為float32和float64其中之一

第二個參數filter：相當於CNN中的卷積核，它要求是一個Tensor，具有[filter_height, filter_width, in_channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數]，要求類型與參數input相同，有一個地方需要注意，第三維in_channels，就是參數input的第四維


第三個參數strides：卷積時在圖像每一維的步長，這是一個一維的向量，長度4


第四個參數padding：string類型的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式（后面會介紹）

第五個參數：use_cudnn_on_gpu:bool類型，是否使用cudnn加速，默認為true

結果返回一個Tensor，這個輸出，就是我們常說的feature map