為什么convorflow中的conv2d給出的輸出具有與輸入相同的形狀

Question

根據這個深度學習課程http://cs231n.github.io/convolutional-networks/#conv ，它說如果有一個輸入x的形狀[W,W] （其中W = width = height ）經過一個帶過濾器的形狀卷積層 [F,F]和步幅 S中，第二層將返回一個output具有形狀[(WF)/S +1, (WF)/S +1]

但是，當我試圖遵循Tensorflow教程時： https ：//www.tensorflow.org/versions/r0.11/tutorials/mnist/pros/index.html。 函數tf.nn.conv2d(inputs, filter, stride)似乎有區別tf.nn.conv2d(inputs, filter, stride)

無論如何更改我的濾鏡大小， conv2d將不斷返回一個與輸入形狀相同的值。

就我而言，我使用MNIST數據集，表明每個圖像都有大小[28,28] （忽略channel_num = 1 ）

但是在我定義了第一個conv1圖層后，我使用了conv1.get_shape()來查看它的輸出，它給了我[28,28, num_of_filters]

為什么是這樣？ 我認為返回值應該遵循上面的公式。

---

附錄：代碼段

#reshape x from 2d to 4d

x_image = tf.reshape(x, [-1, 28, 28, 1]) #[num_samples, width, height, channel_num]

## define the shape of weights and bias
w_shape = [5, 5, 1, 32] #patch_w, patch_h, in_channel, output_num(out_channel)
b_shape =          [32] #bias only need to be consistent with output_num

## init weights of conv1 layers
W_conv1 = weight_variable(w_shape)
b_conv1 = bias_variable(b_shape)

## first layer x_iamge->conv1/relu->pool1

#Our convolutions uses a stride of one 
#and are zero padded 
#so that the output is the same size as the input
h_conv1 = tf.nn.relu(
    conv2d(x_image, W_conv1) + b_conv1
                    )

print 'conv1.shape=',h_conv1.get_shape() 
## conv1.shape= (?, 28, 28, 32) 
## I thought conv1.shape should be (?, (28-5)/1+1, 24 ,32)

h_pool1 = max_pool_2x2(h_conv1) #output 32 num
print 'pool1.shape=',h_pool1.get_shape() ## pool1.shape= (?, 14, 14, 32)

Answer 1

Conv2d有一個名為padding的參數， 請參見此處

如果您將填充設置為“有效”，它將滿足您的公式。 它默認為“SAME”，它填充零填充圖像（與添加邊框相同），使得輸出將保持與輸入相同的形狀。

Answer 2

它取決於填充參數。 'SAME'將輸出保持為WxW（假設stride = 1，）'VALID'將輸出的大小縮小為（W-F + 1）x（W-F + 1）