在上一篇我们了解了卷积的概念，并且使用numpy实现了卷积。但是现在其实很少会需要自己去实现卷积操作了，因为很多深度学习框架已经很好的封装了基础API甚至封装好了网络模型，比如tensorflow,pytorch,caffe等等。今天我们就使用tensorflow来实现卷积，顺便和我们自己实现的卷积结果对比，验证我们的实现是否正确。
tensorflow实现卷积
API介绍
tensorflow是一个数据流图，tf基础使用后面有时间会再从基础进行介绍，今天直接上卷积的使用了，主要用到的API就是tf.nn.conv2d
对参数进行简单介绍
tf.nn.conv2d(
input,
filter=None,
strides=None,
padding=None,
use_cudnn_on_gpu=True,
data_format='NHWC',
name=None
)
input:输入数据shape为[batch, in_height, in_width, in_channels]
对应
[输入batch_size,输入图片宽度，输入图片高度，输入图片通道数（RGB就是3通道）]
filter：卷积核shape为[ filter_height, filter_weight, in_channel, out_channels ]
对应
[卷积核对高，卷积核对宽，上一层输入的通道数，卷积核的个数]
strides:计算卷积时的步长，[ 1, strides, strides, 1]
padding:填充方式，通过上一篇应该有比较深入的了解了，两种填充方式，“SAME” 和 “VALID”
use_cudnn_on_gpu:是否使用cudnn加速
data_format:数据格式，一般使用默认的NHWC，通道在最后
``
tensorflow代码实现
数据处理
我们还是用和上一篇一样的数据，回顾下在numpy里面我们使用的输入shape[batch,C,H,W]通道数是在前面，但是在tensorflow提供的API中默认是使用的NHWC，同理filter我们在使用numpy实现时shape是[C_out,C_in,H,W]在tf里要求的是[H,W,C_in,C_out]。
所以我们第一步需要对数据进行下处理，让他和我们要求对shape一致。
#inputs输入为[3,9,9]先把batch那一维度expand,[1,3,9,9]
inputs = np.expand_dims(inputs, axis=0)
#使用transpose变形为tf需要的[1，9，9，3]
inputs = inputs.transpose((0,2,3,1))
# filter:[2,3,3,3]--[3,3,3,2]
filter= filter.transpose((2,3,1,0))
tf实现卷积
def tf_conv(inputs,filter,padding='SAME'):
#定义输入和输出placeholder
# input = [batch, in_height, in_width, in_channels]
# filter = [filter_height, filter_width, in_channels, out_channels]
tf_inputs = tf.placeholder(shape=(1, 9, 9, 3), dtype=tf.float32)
tf_filter = tf.placeholder(shape=(3, 3, 3, 2), dtype=tf.float32)
conv = tf.nn.conv2d(tf_inputs, tf_filter, strides=[1, 1, 1, 1], padding=padding)
#通过sess.run计算conv值
with tf.Session() as sess:
out = sess.run(conv,feed_dict={tf_inputs: inputs,tf_filter:filter})
out = np.squeeze(out)
return out
numpy实现结果
我们运行下在上一篇的代码结果：
numpy conv
[[[ 110. 186. 249. 312. 375. 438. 501. 564. 338.]
[ 186. 297. 378. 459. 540. 621. 702. 783. 456.]
[ 249. 378. 459. 540. 621. 702. 783. 864. 501.]
[ 312. 459. 540. 621. 702. 783. 864. 945. 546.]
[ 375. 540. 621. 702. 783. 864. 945. 1026. 591.]
[ 438. 621. 702. 783. 864. 945. 1026. 1107. 636.]
[ 501. 702. 783. 864. 945. 1026. 1107. 1188. 681.]
[ 564. 783. 864. 945. 1026. 1107. 1188. 1269. 726.]
[ 338. 456. 501. 546. 591. 636. 681. 726. 398.]]
[[ 134. 231. 312. 393. 474. 555. 636. 717. 446.]
[ 231. 378. 486. 594. 702. 810. 918. 1026. 627.]
[ 312. 486. 594. 702. 810. 918. 1026. 1134. 690.]
[ 393. 594. 702. 810. 918. 1026. 1134. 1242. 753.]
[ 474. 702. 810. 918. 1026. 1134. 1242. 1350. 816.]
[ 555. 810. 918. 1026. 1134. 1242. 1350. 1458. 879.]
[ 636. 918. 1026. 1134. 1242. 1350. 1458. 1566. 942.]
[ 717. 1026. 1134. 1242. 1350. 1458. 1566. 1674. 1005.]
[ 446. 627. 690. 753. 816. 879. 942. 1005. 590.]]]
tensorflow运行结果
运行下今天介绍的调用tensorflow的卷积API运行的结果：
tf conv
[[[ 110. 186. 249. 312. 375. 438. 501. 564. 338.]
[ 186. 297. 378. 459. 540. 621. 702. 783. 456.]
[ 249. 378. 459. 540. 621. 702. 783. 864. 501.]
[ 312. 459. 540. 621. 702. 783. 864. 945. 546.]
[ 375. 540. 621. 702. 783. 864. 945. 1026. 591.]
[ 438. 621. 702. 783. 864. 945. 1026. 1107. 636.]
[ 501. 702. 783. 864. 945. 1026. 1107. 1188. 681.]
[ 564. 783. 864. 945. 1026. 1107. 1188. 1269. 726.]
[ 338. 456. 501. 546. 591. 636. 681. 726. 398.]]
[[ 134. 231. 312. 393. 474. 555. 636. 717. 446.]
[ 231. 378. 486. 594. 702. 810. 918. 1026. 627.]
[ 312. 486. 594. 702. 810. 918. 1026. 1134. 690.]
[ 393. 594. 702. 810. 918. 1026. 1134. 1242. 753.]
[ 474. 702. 810. 918. 1026. 1134. 1242. 1350. 816.]
[ 555. 810. 918. 1026. 1134. 1242. 1350. 1458. 879.]
[ 636. 918. 1026. 1134. 1242. 1350. 1458. 1566. 942.]
[ 717. 1026. 1134. 1242. 1350. 1458. 1566. 1674. 1005.]
[ 446. 627. 690. 753. 816. 879. 942. 1005. 590.]]]
可以看到两个结果一致～
OK，通过两篇文章的介绍，相信对卷积的实现有很好的理解了。在理解的基础才能更好的去使用各种框架的封装接口。
