小白学习FCN

1.FCN输出矩阵转换成图片

with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
C=sess.run(y)
C=C[0]
print(np.shape(C))
plt.imshow(C) # 显示图片
plt.axis('off') # 不显示坐标轴
plt.show()

2.卷积和反卷积
conv2=tf.nn.conv2d(pool1,conv2_weights,strides=[1,1,1,1],padding='SAME')  

tf.nn.conv2d_transpose(pool2,trans1_weights,output_shape=[1,128,128,3],strides=[1,2,2,1],padding='SAME')

       第一个参数value：指需要做卷积或反卷积的输入图像，它是一个Tensor

     第二个参数kernel：卷积核，它是一个Tensor，具有[filter_height, filter_width, out_channels, in_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，卷积核个数，图像通道数]

      第四个参数strides：反卷积时在图像每一维的步长，这是一个一维的向量，长度4

      第五个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式

     第六个参数data_format：string类型的量，默认值是'NHWC'
     第三个参数output_shape：反卷积操作输出的shape，卷积操作是没有这个参数的

      可以看出，卷积操作中strides=[1,1,1,1],因此卷积后图像尺寸不发生改变（一般用pooling）；

反卷积为strides=[1,2,2,1]，尺寸增加两倍，输出后的图像为128*128*3.