【转载】Keras.layers.Conv2D参数详解 搭建图片分类 CNN （卷积神经网络）

filters：卷积核（就是过滤器）的数目（即输出的维度）

kernel_size：单个整数或由两个整数构成的list/tuple，卷积核（过滤器）的宽度和长度。（kernel n.核心，要点，[计]内核）如为单个整数，则表示在各个空间维度的相同长度。

strides：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"不填充，eg:图像28*28，过滤器5*5，步长为5，最后三行三列舍弃，输出大小为：[(28-3-5)/5]+1=5，即输出图像是5*5的，代表只进行有效的卷积，即对边界数据不处理。
"same"填充，当滑动步长大于1时：填充数=K-I%S（K:卷积核边长，I：输入图像边长，S：滑动步长），滑动步长为1时，填充数是卷积核边长减1，eg:5*5的图用3*3的核，步长为1时same填充之后是7*7，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，因为卷积核移动时在边缘会出现大小不够的情况。

1. 导入keras

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

2. Conv2D

构建卷积层。用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数，或者输出深度。因此，图片等高维数据每经过一个卷积层，深度都会增加，并且等于过滤器的数量。 

Conv2D(filters, kernel_size, strides, padding, activation=‘relu’, input_shape)

• filters: 过滤器数量
• kernel_size: 指定（方形）卷积窗口的高和宽的数字
• strides: 卷积步长, 默认为 1
• padding: 卷积如何处理边