Tensorflow系列4：卷积神经网络--解决参数过多问题

1、卷积分为窄卷积（valid 卷积）、同卷积（same 卷积）、全卷积（full 卷积）。

前两者更常用，后者更多的用于反卷积网络中。

2、多通道卷积（channel）

通道是指中的每个像素由几个数来表示，这几个数一般指的就是色彩。灰度图通道是1，彩色图就是3（红黄蓝）。在cnn中，channel又分为输入通道和输出通道。

主要目的是降维，即在保持原有特征的基础上最大限度地将数组的维度变小。算法是，滤波器映射区域内的像素点取平均值或最大值。

1、均值池化（对背景信息更敏感）

在上对应出滤波器大小的区域，对里面的所有不为0的像素点取平均。

2、最大池化（对的纹理特征更敏感）

在上对应出滤波器大小的区域，将立面的所有像素点取最大值。

在tensorflow中，使用 tfnnconv2d() 来实现卷积 *** 作。

tfnnconv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,name=None)

该函数返回一个Tensor，这个输出就是feature map。

padding属性的意义是定义元素边框与元素内容之间的空间。

没有卷积神经网络的说法，只有卷积核的说法。

电脑图像处理的真正价值在于：一旦图像存储在电脑上，就可以对图像进行各种有效的处理。如减小像素的颜色值，可以解决曝光过度的问题，模糊的图像也可以进行锐化处理，清晰的图像可以使用模糊处理模拟摄像机滤色镜产生的柔和效果。

用Photoshop等图像处理，施展的魔法几乎是无止境的。四种基本图像处理效果是模糊、锐化、浮雕和水彩。这些效果是不难实现的，它们的奥妙部分是一个称为卷积核的小矩阵。这个33的核含有九个系数。为了变换图像中的一个像素，首先用卷积核中心的系数乘以这个像素值，再用卷积核中其它八个系数分别乘以像素周围的八个像素，最后把这九个乘积相加，结果作为这个像素的值。对图像中的每个像素都重复这一过程，对图像进行了过滤。采用不同的卷积核，就可以得到不同的处理效果。用PhotoshopCS6，可以很方便地对图像进行处理。

模糊处理——模糊的卷积核由一组系数构成，每个系数都小于1，但它们的和恰好等于1，每个像素都吸收了周围像素的颜色，每个像素的颜色分散给了它周围的像素，最后得到的图像中，一些刺目的边缘变得柔和。

锐化卷积核中心的系数大于1，周围八个系数和的绝对值比中间系数小1，这将扩大一个像素与之周围像素颜色之间的差异，最后得到的图像比原来的图像更清晰。

浮雕卷积核中的系数累加和等于零，背景像素的值为零，非背景像素的值为非零值。照片上的图案好像金属表面的浮雕一样，轮廓似乎凸出于其表面。

要进行水彩处理，首先要对图像中的色彩进行平滑处理，把每个像素的颜色值和它周围的二十四个相邻的像素颜色值放在一个表中，然后由小到大排序，把表中间的一个颜色值作为这个像素的颜色值。然后用锐化卷积核对图像中的每个像素进行处理，以使得轮廓更加突出，最后得到的图像很像一幅水彩画。

我们把一些图像处理技术结合起来使用，就能产生一些不常见的光学效果，例如光晕等等。

希望我能帮助你解疑释惑。

以上就是关于Tensorflow系列4：卷积神经网络--解决参数过多问题全部的内容，包括:Tensorflow系列4：卷积神经网络--解决参数过多问题、如何使用TensorFlow实现卷积神经网络、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！