时间戳

首页 > 解决方案 > 如何将 TensorFlow 2D 卷积 (tf.nn.conv2d) 应用于单个（非批处理）2D 图像？

python - 如何将 TensorFlow 2D 卷积 (tf.nn.conv2d) 应用于单个（非批处理）2D 图像？

问题描述

我想tf.nn.conv2d()在单个图像示例上使用该函数，但 TensorFlow 文档似乎只提到将此转换应用于一批图像。

文档提到输入图像必须是 shape[batch, in_height, in_width, in_channels]并且内核必须是 shape [filter_height, filter_width, in_channels, out_channels]。但是，用输入形状实现 2D 卷积的最直接方法是什么[in_height, in_width, in_channels]？

这是当前方法的示例，其中img具有形状（高度、宽度、通道）：

img = tf.random_uniform((10,10,3))  # a single image
img = tf.nn.conv2d([img], kernel)[0] # creating a batch of 1, then indexing the single example

我正在重塑输入，如下所示：

[in_height, in_width, in_channels]->[1, in_height, in_width, in_channels]->[in_height, in_width, in_channels]

当我只对转换一个示例感兴趣时，这感觉像是一项不必要且昂贵的操作。

有没有不涉及重塑的简单/标准方法？

标签： pythontensorflowconv-neural-networkconvolution

解决方案

AFAIK 没有办法解决它。似乎（此处和此处）第一个操作创建了一个副本（如果我错了，请有人纠正我）。不过，您可以改用tf.expand_dims它，因为它很冗长，所以 IMO 更具可读性。

另一方面，0在这种情况下，从张量中获取元素不应该执行复制，并且几乎是免费的。

最重要的是，除了语法上的一些不便（例如[0]）之外，这些操作绝对不昂贵，尤其是在执行卷积的情况下。

顺便提一句。其他现成的替代层，如 中的那些tf.keras，也需要批处理作为第一维。

推荐阅读