tf.keras.layers.Conv2D

吃成一个胖娃娃

已于 2022-11-13 13:20:21 修改

阅读量953

点赞数

分类专栏： tensorflow学习笔记文章标签： keras 深度学习人工智能 tensorflow

于 2022-10-31 16:18:03 首次发布

本文链接：https://blog.csdn.net/weixin_46566663/article/details/127615669

版权

tensorflow学习笔记专栏收录该内容

11 篇文章 5 订阅

订阅专栏

tensorflow中tensor的维度顺序默认是 [batch, height, width, channel]

2D卷积层

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)

参数详解

filters: 卷积中滤波器的数量，表示输出张量的通道数
kernel_size: 卷积窗口的宽度和高度
strides: 卷积沿宽度和高度方向的步长
padding: 'VALID' 或 'SAME'，'VALID'表示无填充，'SAME'表示用0填充
data_format: 表示输入张量的维度顺序，默认为 [batch, height, width, channel]
dilation_rate: 膨胀卷积的膨胀率
activation: 要使用的激活函数
use_bias: 布尔值，该层是否使用偏置向量
kernel_initializer: kernel 权值矩阵的初始化器
bias_initializer: 偏置向量的初始化器
kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数
bias_regularizer: 运用到偏置向量的正则化函数
activity_regularizer: 运用到层输出（它的激活值）的正则化函数
kernel_constraint: 运用到 kernel 权值矩阵的约束函数
bias_constraint: 运用到偏置向量的约束函数

卷积后的矩阵尺寸大小计算公式

输入大小为 W ×W，kernel_size为 F×F，strides为 S，输出大小为 N ×N

当 padding='VALID' 时，

$N=\lceil \frac{W-F+1}{S} \rceil$

当 padding='SAME' 时，

$N=\lceil \frac{W}{S} \rceil$

示例

from tensorflow.keras.layers import Conv2D
import tensorflow as tf
import numpy as np

# 定义一个卷积层,用0填充
conv1 = Conv2D(filters=32,
               kernel_size=[3, 3],
               strides=[2, 2],
               padding='same')

# 定义一个卷积层,无填充
conv2 = Conv2D(filters=32,
               kernel_size=[3, 3],
               strides=[2, 2],
               padding='valid')

# 生成一个维度为[64, 5, 5, 3]的矩阵
x = np.random.random((64, 5, 5, 3))

# 转成tensor类型,第一个维度64表示batch
# numpy中的数据类型和tensorflow中的数据类型完全兼容,所以这一步可以省略
x = tf.convert_to_tensor(x)
print(x.shape) # [64, 5, 5, 3]

# 进行卷积
y1 = conv1(x)
print(y.shape) # [64, 3, 3, 32]

# 进行卷积
y2 = conv2(x)
print(y.shape) # [64, 2, 2, 32]