tensorflow2创建卷积核Conv2D函数

使用Conv2D可以创建一个卷积核来对输入数据进行卷积计算，然后输出结果，其创建的卷积核可以处理二维数据。依次类推，Conv1D可以用于处理一维数据，Conv3D可以用于处理三维数据。在进行神经层级集成时，如果使用该层作为第一层级，则需要配置input_shape参数。在使用Conv2D时，需要配置的主要参数如下：

tf.keras.layers.Conv2D
(
    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
)

参数说明：

• filters: 配置输出数据的维度，数值类型是整数（即：卷积核的数量）。
• kernel_size：配置卷积核的大小。这里使用的是二维卷积核，因此需要配置卷积核的长和宽。数值是包含这两个整型元素值得列表或者元组。
• strides：配置卷积核在做卷积计算时移动步幅的大小，分为X、Y两个方向的步幅。数值是包含两个整型元素值的列表或者元组，当X、Y两个方向的步幅大小一样时，只需要配置一个步幅即可。
• padding：配置图像边界数据处理策略。SAME表示补零，VALID表示不进行补零。在进行卷积计算或者池化时会遇到图像边界数据处理的问题，当边界像素不能正好被卷积或者池化的步幅整除时，只能在边界外补零凑成一个步幅长度，或者直接舍弃边界的像素特征。
• data_format：配置输入图像数据的格式，默认格式是channels_last,也可以根据需要设置成channels_first。图像数据的格式分为channels_last(batch，height，width，channels)和channels_first(batch, channels, height, width)两种。
• dilation_rate：配置使用扩张卷积时每次的扩张率。
• activation： 配置激活函数，如果不配置则不会使用任何激活函数。
• use_bias：配置该层的神经网络是否使用偏置向量
• kernel_initializer：配置卷积核的初始化。
• bias_initializer:配置偏置向量的初始化。