CNN卷积函数Conv2D()各参数怎么使用

本篇内容主要讲解“CNN卷积函数Conv2D()各参数怎么使用”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“CNN卷积函数Conv2D()各参数怎么使用”吧!

首先我们放出tf2.0关于tf.keras.layers.Conv2D()函数的官方文档，然后逐一对每个参数的含义和用法进行解释：

tf.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, **kwargs
)

从这个函数的定义能看出来，filters ，kernel_size过滤器个数和卷积核尺寸，这是两个位置参数，没有默认值，必须给。

后面的那个多参数，都是关键字参数（有等于号的），都是有默认值的，可以不写，下面来逐一分析每个参数的含义： 

1.函数的位置参数filters

这是第一个参数，位置是固定的，含义是过滤器个数，或者叫卷积核个数，这个与卷积后的输出通道数一样，比如下面filters为5的时候，卷积输出的通道数（最后一位）就是5

filters卷积核个数为8的时候，输出的通道数就是8

2.函数的第二个位置参数 kernel_size

卷积核尺寸，一般为3×3，或者5×5，此处用2个整数的元组或列表表示，比如（3,3），[5,5],如果height, width长宽一样，直接用一个整数表示就行，比如3或者5，卷积后的，卷积后的height，width的计算公式如下：滑动步长为strides，卷积核的尺寸为S，输入的尺寸为P，padding = ‘valid“

height =width = (P-S)/strides +1,

此处 输入形状为20×20，卷积核为3×3，滑动步长为1，所以输出为（20-3）/1 +1 =18

此处，输入为20×20，卷积核为5×5，滑动步长为2×2，所以输出的形状为，（20-5）/2 +1向下取整，等于8，

3.关键字参数strides=(1, 1)，滑动步长

默认横向和纵向滑动均为1，这个与上面的 卷积核size配合使用，用来计算输出的形状，

height =width = (P-S)/strides +1，

4.关键字参数padding = “valid”

默认是边缘不填充

此处只有两个取值，另一个取值为 “same”，表示边缘用0填充，如果padding =“same”，则输出的形状为 height =width = P/strides ，向上取整，如下图，

5.关键字参数 data_format = ’ channels_first’

输入的数据格式

此处只有两个取值 ，“channels_first”,和“channels_last”，即输入的数据格式中，通道数是第一个还是最后一个，默认为“channels_last”,即默认输入数据的格式中，通道数为最后一个。

当data_format = "channels_first"的时候，输入和输出的shape格式为

(batch_size, channels, height, width)即（图片数量，通道数，长，宽）正如下图所示：

6.关键字参数dalition_rate = （1,1）

这个含义是卷积核的膨胀系数，

此处的作用是将卷积核进行形状膨胀，新的位置用0填充，新卷积核的尺寸和膨胀系数的计算公式如下：

原卷积核的尺寸为S ，膨胀系数为k，则膨胀后的卷积核尺寸为

size = k×（S-1）+1

7.关键字参数activation = “relu”

此处的含义是激活函数，

相当于经过卷积输出后，在经过一次激活函数，常见的激活函数有relu，softmax，selu，等

8.关键字参数use_bias =0 、1

偏置项

此处取值为布尔值，0或者1,0表示没有增加bias，1表示有。

9.后面的关键字参数一般不常用

• kernel_initializer：卷积核初始化，

• bias_initializer：偏差值初始化，

• kernel_regularizer：卷积核正则化

• bias_regularizer：偏差正则化

• activity_regularizer：这个地方也是一个正则化

• kernel_constraint：卷积核约束

• bias_constraint：偏差约束。

这几个参数不常用，

10.最后还有几个可选 的关键字参数

input_shape

这个是指输入的形状，一般是4D的，（batch size, height, width, channels），也可以不定义，那就是默认输入的形状。

到此，相信大家对“CNN卷积函数Conv2D()各参数怎么使用”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！