Keras卷积神经网络补充

1. 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)

• dilation_rate，空洞卷积或膨胀卷积的控制参数。

（1）参数初始化

参数初始化的目的是为了让神经网络在训练过程中学习到有用的信息，这意味着参数梯度不应该为0。则初始化的必要条件是：各层激活层不出现饱和现象；各层激活值不为0。

Xavier 初始化方法（又称作 Glorot 正态分布初始化），优秀的初始化应该使得各层的激活值和状态梯度的方差在传播过程中的方差保持一致。通过使用这种初始化方法，我们能够保证输入变量的变化尺度不变，从而避免变化尺度在最后一层网络中爆炸或者弥散。

2. 池化层

keras.layers.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid', data_format=None)

keras.layers.AveragePooling2D(pool_size=(2, 2), strides=None, padding='valid', d