keras.layers.Conv2D()函数参数用法及说明

时间:2023-03-20 SP FA 人气:0

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"),

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。

加载全部内容