tf.nn.conv2d_backprop_input函数

tf.nn.conv2d_backprop_input(
    input_sizes,
    filter,
    out_backprop,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

请参阅指南：神经网络>卷积运算

计算相对于输入的卷积梯度.

参数：

• input_sizes：一个int32类型的Tensor,表示input形状的整数向量,其中input是4-D [batch, height, width, channels]张量.
• filter：一个Tensor,必须是下列类型之一：half,bfloat16,float32,float64,是4-D维的,并且形状为[filter_height, filter_width, in_channels, out_channels].
• out_backprop：一个Tensor,必须与filter相同,是4-D的,且形状为[batch, out_height, out_width, out_channels],梯度与卷积的输出相关.
• strides：ints列表,对于卷积输入的每个维度,滑动窗口的步幅,必须与使用format指定的维度处于相同的顺序.
• padding：string,可以是："SAME", "VALID",要使用的填充算法的类型.
• use_cudnn_on_gpu：bool,默认为True.
• data_format：string,可以是："NHWC", "NCHW".默认为"NHWC",指定输入和输出数据的数据格式,使用默认格式“NHWC”,数据按以下顺序存储：[batch,in_height,in_width,in_channels].或者,格式可以是“NCHW”,数据存储顺序为：[batch,in_channels,in_height,in_width].
• dilations：可选列表ints,默认为[1, 1, 1, 1],长度为4的1-D张量,input每个维度的扩张系数；如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格；维度顺序由data_format值确定,详见上文；批次和深度尺寸的扩张必须为1.
• name：操作的名称(可选).

返回：

一个Tensor,与filter有相同的类型.