概述

tf.keras.layers.Conv2D()函数用于描述卷积层。

用法

tf.keras.layers.Conv2D(filters, kernel_size,strides=(1, 1), padding='valid', data_format=None,dilation_rate=(1, 1), activation=None
)

1.filter：卷积核的个数
2.kenel_size：卷积核尺寸，如果是正方形，则用一个整数表示；如果是长方形，则需要明确指明高用h表示，宽用w表示，可以用元组或者列表的形式表示两者(如：[h,w]或者{h, w})
3.strides：滑动步长，默认横纵向滑动步长均为1(1,1)，也可以设置其他步长(纵向步长，横向步长)
4.padding：补零策略，当padding = 'same’时，全零填充，当padding = ‘valid’，则不需要填充。不区分大小写
5.data_format：输入数据的格式，值有两种channels_first(输入和输出的shape为(batch_size, channels，height, width)，即为(图片数量，通道数， 长，宽))、channels_last(默认值通道数为左最后一个)
6.dalition_rate：数组或者列表，卷积核的膨胀系数(将卷积核进行形状膨胀，新的位置用0填充)
新卷积核的尺寸核膨胀系数的计算公式如下：原卷积核的尺寸S，膨胀系数K，则膨胀后的卷积核尺寸为size = K*(S-1)+1
7.activaton：激活函数，相当于经过卷积输出后，再经过一次激活函数(常见的激活函数有relu，softmax，selu)

例子

1.filters

import tensorflow as tf
from keras.layers import (Input, Reshape)input = Input(shape=(600, 600, 3))
x = tf.keras.layers.Conv2D(64, (1,1),strides=(1, 1),name='conv')(input) # filters影响的是最后输入结果的第三个维度的变化
x

OUT:

2.kernel_size

import tensorflow as tf
from keras.layers import (Input, Conv2D)input = Input(shape=(600, 600, 3))
Conv2D(64, (2, 2), strides=(1, 1), name='conv1')(input)  # 也可以写为Conv2D(64, 2, strides=(1, 1), name='convl)
# kernel_size影响的是输出结果前两个数据的维度

OUT:

3.strides

import tensorflow as tf
from keras.layers import (Input, Conv2D)input = Input(shape=(600, 600, 3))
Conv2D(64, 1, strides=(2, 2), name='conv1')(input) #strides 步长会影响输出的前两个维度

OUT:

4.padding

import tensorflow as tf
from keras.layers import (Input, Conv2D)Conv2D(64, 3, strides=(2, 2), padding='valid', name='conv1')(input) # padding 表示是否对周围进行填充,same通过kernel_size缩小维度，但四周会填充0，保持原先的维度；valid则会储存不为0的有效信息

OUT:

import tensorflow as tf
from keras.layers import (Input, Conv2D)Conv2D(64, 3, strides=(2, 2), padding='same', name='conv1')(input)

OUT:

---

希望这篇文章对大家的学习有所帮助！