TensorFlow：簡單的卷積層、池化層（採樣層）樣本

卷積層：

ws=tf.get_variable('w',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1))bs=tf.get_variable('b',[16],initializer=tf.constant_initializer(0.1))conv=tf.nn.conv2d(input,ws,strides=[1,1,1,1],padding='SAME')b=tf.nn.bias_add(conv,bs)now_conv=tfnn.relu(b)

tf.get_variable函數有四個參數，第一維為名字，第二維為變數維度（前兩維為卷積核尺寸，第三維為層的深度，第四維為卷積核深度），第三維是變數的初始化方法，主要有以下幾種：

tf.constant_initializer：常量初始化函數
tf.random_normal_initializer：常態分佈
tf.truncated_normal_initializer：截取的常態分佈
tf.random_uniform_initializer：均勻分布
tf.zeros_initializer：全部是0
tf.ones_initializer：全是1
tf.uniform_unit_scaling_initializer：滿足均勻分布，但不影響輸出數量級的隨機值

tf.nn.conv2d函數有四個參數，第一維為輸入映像，第二維為卷積層權值，第三維為不同維度步長（在CNN中，第一維、第四維固定為1），第四維填充方式（SAME表示全0填充，VALID為不填充）。

層的深度：例如一個輸入映像是28*28*3，其中3代表深度，即為（R，G，B）

卷積核的深度：我的理解就是卷積核的個數（不知道對不對）

當然，我們有更簡單的方法實現一個卷積層，代碼如下：

now_conv=slim.conv2d(input,16,[3,3])

slim.conv2d函數有三個必填參數，第一維為輸入映像，第二維為卷積核的深度，第三維為卷積核的尺寸。

池化層（採樣層）：

p=tf.nn.max_pool(now_conv,ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME']

TensorFlow提供兩種池化函數，分別是max_pool和avg_pool，前者為最大值池化，後者為均值池化。