Keras笔记之卷积神经网络

**

Keras入门之卷积神经网络

**卷积操作分为一维、二维和三维，对应的方法分别是Conv1D,Conv2D和Conv3D，这些方法有同样的选项，只是作用在不同的维度上。
一维卷积通常称为时域卷积，其使用卷积核对一维数据的临近信号进行卷积操作来生成一个张量。
二维卷积通常称为空域卷积，一般应用于与图像相关的输入数据上，也是使用卷积核对输入数据进行卷积操作。三维卷积也执行同样的操作。
Conv1D,Conv2D和Conv3D的选项几乎相同。

filters:卷积滤波器的输出维度，即是滤波器的个数，必须为整数。
kernel_size:空域或时域窗长度。卷积核的大小。若为单一整数，则应用于所有适用的维度。
strides:卷积在宽或高维度的步长。
padding：补零策略（取值为valid、same和causal）：valid表示不补零，same表示补零，通常会导致输出的shape与输入的一样。causal将产生（因果）膨胀卷积。
dat_format:数据形式。取值为channel_first或者channel_last。决定数据维度次序。channel_first对应的数据维度次序为（批量数，频道数，高，宽）。而channel_last对应的维度次序为（批量数，高，宽，频道数）。
activation：激活函数
dilation_rate：指定扩张卷积中的扩张比例，要求为整数或由单个整数构成的列表/元组，如果dilation_rate不为1，则步长必须设为1。
use_bais:指定是否使用偏置项，取值为ture或false。
kernel_initializer：权重初始化方法。
bais_initializer:偏置初始化方法。
kernel_regularizer:施加在权重上的正则化项。
bais_regularizer:施加在偏置上的正则化项。
activity_regularizer:施加在输出上的正则化项。
kernel_constraints:施加在权重上的约束项。
bias_constraints:施加在偏置上的约束项。