keras.layers.Conv2D()函数参数用法及说明

目录

• tf.keras.layers.Conv2D() 函数
• Conv2D （二维卷积层）
• 参数
• tf.keras.layers.conv2D学习
• 总结

tf.keras.layers.Conv2D() 函数

Conv2D （二维卷积层）

这一层创建了一个卷积核，它与这一层的输入卷积以产生一个输出张量

当使用此层作为模型的第一层时，提供关键字参数 input_shape (整数元组，不包括样本轴，不需要写batch_size)

def __init__(self, filters,
             kernel_size,
             strides=(1, 1),
             padding='valid',
             data_format=None,
             dilation_rate=(1, 1),
             activation=None,
             use_bias=True,
             kernel_initializer='glorot_uniform',
             bias_initializer='zeros',
             kernel_regularizer=None,
             bias_regularizer=None,
             activity_regularizer=None,
             kernel_constraint=None,
             bias_constraint=None,
             **kwargs):

参数

• filters

int 类型，表示卷积核个数，filters 影响的是最后输入结果的的第四个维度的变化

import tensorflow as tf
from tensorflow.keras.layers import Conv2D

input_shape = (4, 600, 600, 3)
input = tf.random.normal(input_shape)
x = keras.layers.Conv2D(64, (1, 1), strides=(1, 1), name='conv1')(input)
print(x.shape)

OUTPUT:
(4, 600, 600, 64)

• kernel_size

表示卷积核的大小，如果是方阵可以直接写成一个数，影响的是输出结果中间两个数据的维度

x = Conv2D(64, (2, 2), strides=(1, 1), name='conv1')(input)
#or Conv2D(64, 2, strides=(1, 1), name='conv1')(input)
print(x.shape)

OUTPUT:
(4, 599, 599, 64)

• strides

tuple (int, int) 步长，同样会影响输出的中间两个维度，值得注意的是，括号里的数据可以不一致，分别控制横坐标和纵坐标

x = Conv2D(64, 1, strides=(2, 2), name='conv1')(input)
print(x.shape)

OUTPUT:
(4, 300, 300, 64)

• padding

是否对周围进行填充，same 即使通过 kernel_size 缩小了维度，但是四周会填充 0，保持原先的维度；valid 表示存储不为 0 的有效信息

a = Conv2D(64, 1, strides=(2, 2), padding="same" , name='conv1')(input)
b = Conv2D(64, 3, strides=(2, 2), padding="same" , name='conv1')(input)
c = Conv2D(64, 3, strides=(1, 1), padding="same" , name='conv1')(input)
d = Conv2D(64, 3, strides=(1, 1), padding="valid", name='conv1')(input)
print(a.shape, b.shape, c.shape, d.shape)

OUTPUT:
(4, 300, 300, 64)
(4, 300, 300, 64)
(4, 600, 600, 64)
(4, 598, 598, 64)

• activation

激活函数，如果 activation 不是 None，则它会应用于输出

• use_bias

boolean，表示是否使用偏置量，如果 use_bias 为真，则创建一个偏置项并添加到输出中

• data_format

用于规定 input_shape 的格式

如果不填写，默认是 channels_last，否则可以填写 channels_first。前者的会把 input_shape 这个三元组给识别成 (batch_size, height, width, channels)，后者则会识别成 (batch_size, channels, height, width) 不过样本轴 (batch_size) 不需要自己填写

• dilation_rate

int, tuple(int, int), list[int, int]，指定用于扩展卷积的扩展率。可以是单个整数，为所有空间维度指定相同的值。该参数定义了卷积核处理数据时各值的间距。

在相同的计算条件下，该参数提供了更大的感受野。该参数经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑使用。

• 返回值

返回一个四维的张量

第一个数是 batch 的大小，也就是有几组数据；后三个数表示一个张量的大小

tf.keras.layers.conv2D学习

keras.layers.convolutional.Conv2D(filters, # 卷积核数目
                                  kernel_size, # 过滤器的大小
                                  strides(1,1),  # 步长
                                  padding='valid', # 边界处理
                                  data_format=None,
                                  dilation_rate=(1,1),
                                  activation=None, # 激活函数
                                  use_bias=True, #是否使用偏置量,布尔值
                                  kernel_initializer='glorot_uniform',
                                  bias_initializer='zeros',
                                  kernel_regularizer=None,
                                  bias_regularizer=None,
                                  activity_regularizer=None,
                                  kernel_constraint=None,
                                  bias_constraint=None)

# 设置训练模型
# input_shape 指出输入的形状(samples,rows,cols,channels) ,只指出后三维即可,第一维度按batch_size自动指定
    # x_train (60000,28,28,1)  >> input_shape=(60000,28,28,1)  第一维可以省略,自动根据batch_size指定
    tf.keras.layers.Conv2D(filters=16,kernel_size=(5,5),activation="relu",input_shape=(28,28,1),padding="valid"),

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。