''' Created on 2017年4月22日 @author: weizhen ''' import tensorflow as tf #通过tf.get_variable的方式创建过滤器的权重变量和偏置变量，上面介绍了卷积层 #的参数个数只和过滤器的尺寸、深度以及当前层节点矩阵的深度有关，所以这里声明的参数变量 #是一个四维矩阵，前面两个维度代表了过滤器的尺寸，第三个维度表示了当前层的深度。第四个维度表示过滤器的深度 filter_weight=tf.get_variable('weights',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1)) #和卷积层的权重类似，当前层矩阵上不同位置的偏置项也是共享的，所以总共有下一层深度个不同的偏置项 biases=tf.get_variable('biases',[16],initializer=tf.constant_initializer(0.1)) #tf.nn.conv2d提供了一个非常方便的函数来实现卷积层前向传播的算法， #这个函数的第一个输入为当前层的节点矩阵，注意这个矩阵是一个四维矩阵，后面三个维度对应一个节点矩阵 #第一个维度对应一个输入batch。比如在输入层，input[0,:,:,:]表示第一张图片 #input[1,:,:,:]表示第二张图片，以此类推 #tf.nn.conv2d第二个参数提供了卷积层的权重， #第三个参数为不同维度上的步长。虽然第三个参数提供的是一个长度为4的数组，但是第一维和最后一维的数字 #要求一定是1.这是因为卷积层的步长只对矩阵的长和宽有效。最后一个参数是填充padding的方法 #Tensorflow中提供SAME或是VALID两种选择。其中SAME表示添加全0填充,"VALID"表示不添加 conv=tf.nn.conv2d(input,filter_weight,strides=[1,1,1,1],padding='SAME') #tf.nn.bias_add提供了一个方便的函数给每一个节点加上偏置项，注意这里不能直接使用加法 #因为矩阵上不同位置上的节点都需要加上同样的偏置项 bias=tf.nn.bias_add(conv,biases) #将计算结果通过ReLU激活函数完成去线性化 actived_conv=tf.nn.relu(bias) #池化层 #tf.nn.max_pool实现了最大化池化层的前向传播过程，它的参数和tf.nn.conv2d函数类似 #ksize提供了过滤器的尺寸，strides提供了步长信息，padding提供了是否使用全0填充 pool=tf.nn.max_pool(actived_conv,ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME')
卷积层是神经网络中用于对图像提取特征的结构，有点像高斯滤波去对图像进行平滑处理
不过这里的卷积层要提取的是图像的特征，而且提取图像的算子的值是提前没有确定的
需要通过神经网络的训练来给计算出来
本文链接：http://task.lmcjl.com/news/12242.html
