這裡簡要總結一下tensorflow實現卷積操作的幾種寫法，定義方式有很多。例如使用一個9x9的卷積核將一個三通道影象轉換成64通道的feature,遇到過的有以下一些：

直接定義就寫

   這種寫法簡單粗暴，一邊定義卷積核、偏置和卷及操作一邊寫，優點是操作靈活，但是程式碼量太大尤其是重複單元較多的時候，一個例子如下:

weight = tf.get_variable('weight',[9,9,3,64], initializer=tf.truncated_normal_initializer(stddev=0.01))#定義權重
biases = tf.get_variable('bias'
 
,[64],initializer = tf.constant(0.01))#定義偏置
conv = tf.nn.conv2d(input,weight,stride=[1,1,1,1],padding='SAME')#卷積
bias = tf.nn.bias_add(conv,biases)#加偏置
activate_conv = tf.nn.relu(bias)# 啟用

對卷積中的各部分做封裝再寫

不過上面這樣實現卷積仍然過於複雜，如果每層都這麼弄那麼程式碼量會非常大，因此可以對權重定義等做封裝，如下所示：

def weight_variable(shape,name):  #定義權重
 

    initial = tf.truncated_normal(shape,stddev=0.01)
    return tf.Variable(initial,name=name)

def bias_variable(shape,name):   #定義偏置
    initial = tf.constant(0.01,shape=shape)
    return tf.Variable(initial,name=name)

def conv2d(x,W): #定義卷積
    return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SMAE'
 
)

#這樣上述的卷積可以寫成
W1 = weight_varialble([9,9,3,64],name='W1')
b1 = bias_variable([64],name='b1')
out = tf.nn.relu(conv2d(input,W1)+b1)

這樣每層都可以用三行程式碼就搞定了，相比於原來的六層程式碼少寫了很多，當然藉助tensorflow的slim庫，程式碼量還可以減少的更多。

通過slim庫再寫

 emsp; slim庫對卷積的封裝程度非常高的，匯入slim庫，一行就能搞定

out = slim.conv2d(input,64,kernel_size=[9,9])

這個操作可以說是很簡潔了，就連偏置和啟用函式都省略了，當然靈活度也降低了很多，slim預設加上bias，啟用函式預設使用relu，具體定義介面如下：

def convolution(inputs,
                num_outputs,
                kernel_size,
                stride=1,
                padding='SAME',
                data_format=None,
                rate=1,
                activation_fn=nn.relu,
                normalizer_fn=None,
                normalizer_params=None,
                weights_initializer=initializers.xavier_initializer(),
                weights_regularizer=None,
                biases_initializer=init_ops.zeros_initializer(),
                biases_regularizer=None,
                reuse=None,
                variables_collections=None,
                outputs_collections=None,
                trainable=True,
                scope=None):

現在使用多了，還是偏向於使用slim，畢竟方便，當然以後還是要慢慢轉pytorch，感覺除錯更友好啊。