深度学习入门，Keras Conv2D类参数详解，这是一份用心整理的Python面试总结

图2: 深度学习 Conv2D 参数，决定了内核的维度。常见的尺寸包括 1×1、3×3、5×5 和 *7×7，*这些尺寸可以以"或"tuples"的身份传递。 filter_size：(1, 1)、(3, 3)、(5, 5)、(7, 7)

您需要提供给 Keras Conv2D 类的第二个必需参数是 kernel_size ，它是一个 2 元组，指定了 2D 卷积窗口的宽度和高度。 kernel_size 也必须是奇数。 kernel_size 的典型值包括： (1, 1) , (3, 3) , (5, 5) , (7, 7) 。 很少看到大于 7×7 的内核大小。

那么，你什么时候使用每个？

如果您的输入图像大于 128×128，您可以选择使用大于 3 的内核大小来这样做的好处：

(1) 学习更大的空间过滤器

（2）帮助减小体积大小。

其他网络，例如 VGGNet，在整个网络中专门使用 (3, 3) 过滤器。 更高级的架构如 Inception、ResNet 和 SqueezeNet 设计了整个微架构，它们是网络内部的“模块”，可以学习不同尺度（即 1×1、3×3 和 5×5）的局部特征，然后结合输出。 在下面的 Inception 模块中可以看到一个很好的例子：

图3: Inception/GoogLeNet CNN 架构在网络内部使用“微架构”模块，学习不同尺度（filter_size）的局部特征，然后组合输出。

ResNet 架构中的 Residual 模块使用 1×1 和 3×3 过滤器作为一种降维形式，这有助于保持网络中的参数数量较少（或在给定网络深度的情况下尽可能少） )：

图4: ResNet“残差模块”使用 1×1 和 3×3 过滤器进行降维。 这有助于用更少的参数使整个网络更小。

那么，您应该如何选择 filter_size ？ 首先，检查你的输入图像——它是否大于 128×128？ 如果是这样，请考虑使用 5×5 或 7×7 内核来学习更大的特征，然后快速减少空间维度——然后开始使用 3×3 内核：

model.add(Conv2D(32, (7, 7), activation=“relu”))

…

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

如果您的图像小于 128×128，您可能需要考虑坚持使用小点的 1×1 和 3×3 过滤器。

strides

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

strides 参数是一个 2 元组整数，指定沿输入体积的 x 和 y 轴的卷积“步长”。

strides 值默认为 (1, 1) ，这意味着：

• 给定的卷积滤波器应用于输入体积的当前位置

• 过滤器向右移动 1 个像素，然后过滤器再次应用于输入体积

• 这个过程一直执行，直到我们到达体积的最右侧边界，我们将过滤器向下移动一个像素，然后从最左侧重新开始

通常，您会将 strides 参数保留为默认 (1, 1) 值； 但是，您可以偶尔将其增加到 (2, 2) 以帮助减小输出体积的大小（因为滤波器的步长较大）。 通常，您会看到 2×2 步幅作为最大池化的替代：

model.add(Conv2D(128, (3, 3), strides=(1, 1), activation=“relu”))

model.add(Conv2D(128, (3, 3), strides=(1, 1), activation=“relu”))

model.add(Conv2D(128, (3, 3), strides=(2, 2), activation=“relu”))

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