今天小编给大家分享一下keras.layers.Conv2D()函数参数怎么使用的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。
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
参数 | 描述 |
inputs | 把上一层的输出作为输入(直接将上一层作为参数输入即可) |
input_shape | 当作为模型的第一层时,需要指出输入的形状(samples,rows,cols,channels) ,只指出后三维即可,第一维度按batch_size自动指定 |
filters | 卷积过滤器的数量,对应输出的维数--卷积核的数目(即输出的维度) |
kernel_size | 整数,过滤器的大小,如果为一个整数则宽和高相同.单个整数或由两个整数构成的list/tuple,卷积核的宽度和长度。如为单个整数,则表示在各个空间维度的相同长度 |
strides | 横向和纵向的步长,如果为一个整数则横向和纵向相同.单个整数或由两个整数构成的list/tuple,为卷积的步长。如为单个整数,则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rata均不兼容 |
padding | 补0策略,为“valid”, “same”。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。 |
data_format | channels_last为(batch,height,width,channels),channels_first为(batch,channels,height,width).以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。 |
dilation_rate | |
activation | 激活函数,如果不指定该参数,将不会使用任何激活函数(即使用线性激活函数:a(x)=x) |
use_bias | 是否使用偏差量,布尔值 |
kernel_initializer | 卷积核的初始化。 |
bias_initializer | 偏差向量的初始化。如果是None,则使用默认的初始值。 |
kernel_regularizer | 卷积核的正则项 |
bias_regularizer | 偏差向量的正则项 |
activity_regularizer | 输出的正则函数 |
bias_constraint | 映射函数,当偏差向量被Optimizer更新后应用到偏差向量上。 |
trainable | Boolean类型。 |
name | 字符串,层的名字。 |
reuse | Boolean类型,表示是否可以重复使用具有相同名字的前一层的权重。 |
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"),