在二维卷积函数tf.nn.conv2d()，最大池化函数tf.nn.max_pool()，平均池化函数

tf.nn.avg_pool()中，卷积核的移动步长都需要制定一个参数strides（步长），因为无论是卷积操作还是各种类型的池化操作，都是某种形式的滑动窗口（sliding window）处理，这就要求指定从当前窗口移动下一个窗口位置的移动步长。

TensorFlow 文档关于 strides的说明如下：

strides: A list of ints that has length >= 4. The stride of the sliding window for each dimension of the input tensor.

首先要求 strides 为长度不小于 4 的整数构成的 list，strides参数表示的是滑窗在输入张量各个维度上的移动步长。

如果strides=[b,h,w,c]，其中strides[0]和strides[3]默认为1。

具体什么含义呢？

一般而言，对于输入张量（input tensor）有四维信息：[batch, height, width, channels]（分别表示 batch_size, 也即样本的数目，单个样本的行数和列数，样本的频道数，rgb图像就是三维的，灰度图像则是一维），对于一个二维卷积操作而言，其主要作用在 height, width上。

strides参数确定了滑动窗口在各个维度上移动的步数。一种常用的经典设置就是要求，strides[0]=strides[3]=1。

strides[0]=1，表示在 batch 维度上移动为 1，指不跳过任何一个样本，每一个样本都会进行运算

strides[1] = 1，表示在高度上移动步长为1，这个可以自己设定，根据网络的结构合理调节

strides[2] = 1，表示在宽度上的移动步长为1，这个可以自己设定，根据网络的结构合理调节

strides[3] = 1，表示在 channels 维度上移动为 1，指不跳过任何一个颜色通道，每一个通道都会进行运算

以上这篇对tensorflow中的strides参数使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持【听图阁-专注于Python设计】。