深度学习入门，Keras Conv2D类参数详解，企业项目举例

在这里我们可以看到前两个 Conv2D 层的步幅为 1×1。 最终的 Conv2D 层； 然而，它代替了最大池化层，而是通过跨步卷积减少了输出体积的空间维度。

2014 年，Springenber 等人。 发表了一篇题为 Striving for Simplicity: The All Convolutional Net 的论文，该论文证明在某些情况下用跨步卷积替换池化层可以提高准确性。

ResNet 是一种流行的 CNN，已经接受了这一发现——如果您查看 ResNet 实现的源代码（或自己实现它），您会看到 ResNet 响应跨步卷积而不是最大池化以减少两者之间的空间维度 残余模块。

padding

==================================================================

图5: 应用于带有填充的图像的 3×3 内核。 Keras Conv2D 填充参数接受“valid”（无填充）或“same”（填充 + 保留空间维度)。 此动画贡献给 StackOverflow。

Keras Conv2D 类的填充参数可以采用以下两个值之一： valid 或 same 。 使用有效参数，输入体积不会被零填充，并且空间维度可以通过卷积的自然应用减少。 下面的例子自然会减少我们体积的空间维度：

model.add(Conv2D(32, (3, 3), padding=“valid”))

如果您想要保留体积的空间尺寸，以便输出体积大小与输入体积大小匹配，那么您需要为 padding 提供“same”的值：

model.add(Conv2D(32, (3, 3), padding=“same”))

虽然默认的 Keras Conv2D 值是有效的，但我通常会将其设置为网络中大多数层的相同值，

然后通过以下任一方式减少我的体积的空间维度：

​ 最大池化

​ - 跨步卷积

我建议您也使用类似的方法来填充 Keras Conv2D 类。

data_format

=======================================================================

图 6: Keras 作为高级框架，支持多个深度学习后端。 因此，它包括对“channels last”和“channels last”通道排序的支持。

Conv2D 类中的数据格式值可以是 channels_last 或 channels_first ： Keras 的 TensorFlow 后端使用最后排序的通道。 Theano 后端使用通道优先排序。

由于以下两个原因，您通常不必像 Keras 那样触及此值：

​ - 您很有可能使用 TensorFlow 后端到 Keras

​ - 如果没有，你可能已经更新了你的 ~/.keras/keras.json 配置文件来设置你的后端和相关的频道排序

我的建议是永远不要在你的 Conv2D 类中明确设置 data_format ，除非你有很好的理由这样做。

dilation_rate

=========================================================================

Figure 7: Keras 深度学习 Conv2D 参数 dilation_rate 接受一个 2 元组整数来控制膨胀卷积。

Conv2D 类的 dilation_rate 参数是一个二元组整数，控制膨胀卷积的膨胀率。 扩张卷积是一种基本卷积，仅应用于具有定义间隙的输入体积，如上图 7 所示。 您可以在以下情况下使用扩张卷积：

​ 1、您正在处理更高分辨率的图像，但细粒度的细节仍然很重要

​ 2、 您正在构建一个参数较少的网络

activation

=====================================================================

图8: Keras 提供了许多常见的激活函数。 Conv2D 的激活参数是一个方便的问题，它允许指定卷积后使用的激活函数。

Conv2D 类的激活参数只是一个方便的参数，允许您提供一个字符串，指定执行卷积后要应用的激活函数的名称。 在以下示例中，我们执行卷积，然后应用 ReLU 激活函数：

model.add(Conv2D(32, (3, 3), activation=“relu”))

等效于：

model.add(Conv2D(32, (3, 3)))

model.add(Activation(“relu”))

我的建议？ 如果您可以使用激活参数，并且它有助于保持您的代码更清晰——这完全取决于您，并且不会影响您的卷积神经网络的性能。

use_bias

=============================================