動手學深度學習學習筆記tf2.0版（5.3 多輸入通道和多輸出通道）

import tensorflow as tf
import os

# 一、多輸入通道，單輸出通道
# 輸入形狀爲 h * w * channel
def corr2d(X, K):
    c,h,w = K.shape
    Y = tf.Variable(tf.zeros((X.shape[0] - h + 1, X.shape[1] - w +1, X.shape[2])))
    Y_out = tf.Variable(tf.zeros((X.shape[0] - h + 1, X.shape[1] - w +1)))
    for i in range(Y.shape[2]):
        for j in range(Y.shape[1]):
            for k in range(Y.shape[0]):
                print(X[:,:,i])
                # 注意這裏切片方式，以 channel 通道方向切片,這裏輸出的 Y 也是 h * w * channel形式
                Y[j, k,i].assign(tf.cast(tf.reduce_sum(X[j:j+h, k:k+w, i] * K[i,: ,:]), dtype=tf.float32))
    # 得到的Y仍然是三個通道，然後求和合併成一個通道
    Y_out = tf.reduce_sum(Y,axis=2)
    return Y_out

X = tf.random.uniform(shape=(4,4,2),maxval=10, minval=1, dtype='int32')
print('X',X)
K = tf.constant([[[1, 0],[0,1]],[[1, 1],[1,0]]])
print('K',K)
Y = corr2d(X, K)
Y

多通道輸出即：

# K.shape = c0 * c1 * h * w
def corr2d_multi_in_out(X, K):
    return tf.stack([corr2d(X, k) for k in K],axis=0)

def corr2d_multi_in_out_1x1(X, K):
    h, w, c_i = X.shape
    c_o = K.shape[0]
    # X展開
    X = tf.reshape(X,(h * w, c_i))
    # K 展開
    K = tf.reshape(K,(c_o, c_i))
    Y = tf.matmul(K, tf.transpose(X))
    return tf.reshape(Y, (c_o, h, w))

經驗證，做 1×1 卷積時，以上函數與之前實現的互相關運算函數corr2d_multi_in_out等價。在之後的模型裏我們將會看到1×11×1卷積層被當作保持高和寬維度形狀不變的全連接層使用。於是，我們可以通過調整網絡層之間的通道數來控制模型複雜度。

X = tf.random.uniform((3,3,3))
K = tf.random.uniform((2,3,1,1))

Y1 = corr2d_multi_in_out_1x1(X, K)
Y2 = corr2d_multi_in_out(X, K)
print('Y1',Y1)
print('Y2',Y2)
tf.norm(Y1-Y2) < 1e-6