tensorflow之tf.keras.layers.Conv2D

概念（个人理解）

创建了一个2D的卷积层，2D convolution layer。
作用：
用以上tf.keras.layers.Conv2D创建一个卷积层对象，用来处理图片的矩阵张量，我们看看简单的代码

# The inputs are 28x28 RGB images with `channels_last` and the batch
# size is 4.
input_shape = (4, 28, 28, 3)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv2D(
2, 3, activation='relu', input_shape=input_shape[1:])(x)
print(y.shape)
结果是：（4，26,26，2）

可以看到该对象的实例输入矩阵张量后，函数返回的是处理后的张量。接下来我们看看该函数中参数作用

参数解析

tf.keras.layers.Conv2D(
    filters, kernel_size, strides=(1, 1), padding='valid',
    data_format=None, dilation_rate=(1, 1), groups=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
)

filters参数决定卷积核的个数，这个参数一般决定你经过卷尺层矩阵张量形状的通道数，只说你能看到的最直接的效果，至于这个通道数的数学原理以及能带来什么效果一时半会说不清楚（省略）。

kernel_size参数决定每个卷积核的尺寸
padding参数决定是否需要在输入张量上补数据，一般只有两种模式
strides卷积步长，卷积步长和卷积核大小尺寸决定以及是否padding输出的矩阵张量的高宽，即矩阵的尺寸

data_format参数时设置你输入矩阵参量的形式，一般两种模式channels_last（默认）或channels_first之一。 输入中尺寸的排序。 channels_last对应于具有形状(batch_size、高度、宽度、通道)的输入，而channels_first对应于具有形状(batch_size、通道、高度、宽度)的输入。
activation参数决定你的激活函数是什么，一半relu，sigmoid等

dilation_rate参数是一个数或者一个元组，指定用于扩展卷积的膨胀率。 可以是单个整数来为所有空间维度指定相同的值

其他参数

kernel_initializer=tf.zeros_initializer()
bias_initializer=tf.zeros_initializer()
根据其英文解释可以理解bias_constraint意思就是偏置限制
等参数我就不一一解释了，都是用来设置卷积核的权重和偏置