keras.layers.Conv2D()函数参数用法及说明
作者：SP FA
tf.keras.layers.Conv2D() 函数
Conv2D （二维卷积层）
这一层创建了一个卷积核，它与这一层的输入卷积以产生一个输出张量
当使用此层作为模型的第一层时，提供关键字参数 input_shape (整数元组，不包括样本轴，不需要写batch_size)
def __init__(self, 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
filters
int 类型，表示卷积核个数，filters 影响的是最后输入结果的的第四个维度的变化
import tensorflow as tf from tensorflow.keras.layers import Conv2D input_shape = (4, 600, 600, 3) input = tf.random.normal(input_shape) x = keras.layers.Conv2D(64, (1, 1), strides=(1, 1), name='conv1')(input) print(x.shape) OUTPUT: (4, 600, 600, 64)
kernel_size
表示卷积核的大小，如果是方阵可以直接写成一个数，影响的是输出结果中间两个数据的维度
x = Conv2D(64, (2, 2), strides=(1, 1), name='conv1')(input) #or Conv2D(64, 2, strides=(1, 1), name='conv1')(input) print(x.shape) OUTPUT: (4, 599, 599, 64)
strides
tuple (int, int) 步长，同样会影响输出的中间两个维度，值得注意的是，括号里的数据可以不一致，分别控制横坐标和纵坐标
x = Conv2D(64, 1, strides=(2, 2), name='conv1')(input) print(x.shape) OUTPUT: (4, 300, 300, 64)
padding
是否对周围进行填充，same 即使通过 kernel_size 缩小了维度，但是四周会填充 0，保持原先的维度；valid 表示存储不为 0 的有效信息
a = Conv2D(64, 1, strides=(2, 2), padding="same" , name='conv1')(input) b = Conv2D(64, 3, strides=(2, 2), padding="same" , name='conv1')(input) c = Conv2D(64, 3, strides=(1, 1), padding="same" , name='conv1')(input) d = Conv2D(64, 3, strides=(1, 1), padding="valid", name='conv1')(input) print(a.shape, b.shape, c.shape, d.shape) OUTPUT: (4, 300, 300, 64) (4, 300, 300, 64) (4, 600, 600, 64) (4, 598, 598, 64)
activation
激活函数，如果 activation 不是 None，则它会应用于输出
use_bias
boolean，表示是否使用偏置量，如果 use_bias 为真，则创建一个偏置项并添加到输出中
data_format
用于规定 input_shape 的格式
如果不填写，默认是 channels_last，否则可以填写 channels_first。前者的会把 input_shape 这个三元组给识别成 (batch_size, height, width, channels)，后者则会识别成 (batch_size, channels, height, width) 不过样本轴 (batch_size) 不需要自己填写
dilation_rate
int, tuple(int, int), list[int, int]，指定用于扩展卷积的扩展率。可以是单个整数，为所有空间维度指定相同的值。该参数定义了卷积核处理数据时各值的间距。
在相同的计算条件下，该参数提供了更大的感受野。该参数经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑使用。
- 返回值
返回一个四维的张量
第一个数是 batch 的大小，也就是有几组数据；后三个数表示一个张量的大小
tf.keras.layers.conv2D学习
| 参数 | 描述 |
| inputs | 把上一层的输出作为输入(直接将上一层作为参数输入即可) |
| input_shape | 当作为模型的第一层时,需要指出输入的形状(samples,rows,cols,channels) ,只指出后三维即可,第一维度按batch_size自动指定 |
| filters | 卷积过滤器的数量,对应输出的维数--卷积核的数目（即输出的维度） |
| kernel_size | 整数,过滤器的大小,如果为一个整数则宽和高相同.单个整数或由两个整数构成的list/tuple，卷积核的宽度和长度。如为单个整数，则表示在各个空间维度的相同长度 |
| strides | 横向和纵向的步长,如果为一个整数则横向和纵向相同.单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rata均不兼容 |
| padding | 补0策略，为“valid”, “same”。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。 |
| data_format | channels_last为(batch,height,width,channels),channels_first为(batch,channels,height,width).以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。 |
| dilation_rate | |
| activation | 激活函数,如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x） |
| use_bias | 是否使用偏差量,布尔值 |
| kernel_initializer | 卷积核的初始化。 |
| bias_initializer | 偏差向量的初始化。如果是None，则使用默认的初始值。 |
| kernel_regularizer | 卷积核的正则项 |
| bias_regularizer | 偏差向量的正则项 |
| activity_regularizer | 输出的正则函数 |
| bias_constraint | 映射函数，当偏差向量被Optimizer更新后应用到偏差向量上。 |
| trainable | Boolean类型。 |
| name | 字符串，层的名字。 |
| reuse | Boolean类型，表示是否可以重复使用具有相同名字的前一层的权重。 |
keras.layers.convolutional.Conv2D(filters, # 卷积核数目
kernel_size, # 过滤器的大小
strides(1,1), # 步长
padding='valid', # 边界处理
data_format=None,
dilation_rate=(1,1),
activation=None, # 激活函数
use_bias=True, #是否使用偏置量,布尔值
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None)# 设置训练模型
# input_shape 指出输入的形状(samples,rows,cols,channels) ,只指出后三维即可,第一维度按batch_size自动指定
# x_train (60000,28,28,1) >> input_shape=(60000,28,28,1) 第一维可以省略,自动根据batch_size指定
tf.keras.layers.Conv2D(filters=16,kernel_size=(5,5),activation="relu",input_shape=(28,28,1),padding="valid"),总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。