CNN卷積函數(shù)Conv2D()各參數(shù)怎么使用

本篇內(nèi)容主要講解“CNN卷積函數(shù)Conv2D()各參數(shù)怎么使用”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“CNN卷積函數(shù)Conv2D()各參數(shù)怎么使用”吧!

首先我們放出tf2.0關(guān)于tf.keras.layers.Conv2D()函數(shù)的官方文檔，然后逐一對(duì)每個(gè)參數(shù)的含義和用法進(jìn)行解釋?zhuān)?/p>

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
)

從這個(gè)函數(shù)的定義能看出來(lái)，filters ，kernel_size過(guò)濾器個(gè)數(shù)和卷積核尺寸，這是兩個(gè)位置參數(shù)，沒(méi)有默認(rèn)值，必須給。

后面的那個(gè)多參數(shù)，都是關(guān)鍵字參數(shù)（有等于號(hào)的），都是有默認(rèn)值的，可以不寫(xiě)，下面來(lái)逐一分析每個(gè)參數(shù)的含義： 

1.函數(shù)的位置參數(shù)filters

這是第一個(gè)參數(shù)，位置是固定的，含義是過(guò)濾器個(gè)數(shù)，或者叫卷積核個(gè)數(shù)，這個(gè)與卷積后的輸出通道數(shù)一樣，比如下面filters為5的時(shí)候，卷積輸出的通道數(shù)（最后一位）就是5

filters卷積核個(gè)數(shù)為8的時(shí)候，輸出的通道數(shù)就是8

2.函數(shù)的第二個(gè)位置參數(shù) kernel_size

卷積核尺寸，一般為3×3，或者5×5，此處用2個(gè)整數(shù)的元組或列表表示，比如（3,3），[5,5],如果height, width長(zhǎng)寬一樣，直接用一個(gè)整數(shù)表示就行，比如3或者5，卷積后的，卷積后的height，width的計(jì)算公式如下：滑動(dòng)步長(zhǎng)為strides，卷積核的尺寸為S，輸入的尺寸為P，padding = ‘valid“

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

此處 輸入形狀為20×20，卷積核為3×3，滑動(dòng)步長(zhǎng)為1，所以輸出為（20-3）/1 +1 =18

此處，輸入為20×20，卷積核為5×5，滑動(dòng)步長(zhǎng)為2×2，所以輸出的形狀為，（20-5）/2 +1向下取整，等于8，

3.關(guān)鍵字參數(shù)strides=(1, 1)，滑動(dòng)步長(zhǎng)

默認(rèn)橫向和縱向滑動(dòng)均為1，這個(gè)與上面的 卷積核size配合使用，用來(lái)計(jì)算輸出的形狀，

height =width = (P-S)/strides +1，

4.關(guān)鍵字參數(shù)padding = “valid”

默認(rèn)是邊緣不填充

此處只有兩個(gè)取值，另一個(gè)取值為 “same”，表示邊緣用0填充，如果padding =“same”，則輸出的形狀為 height =width = P/strides ，向上取整，如下圖，

5.關(guān)鍵字參數(shù) data_format = ’ channels_first’

輸入的數(shù)據(jù)格式

此處只有兩個(gè)取值 ，“channels_first”,和“channels_last”，即輸入的數(shù)據(jù)格式中，通道數(shù)是第一個(gè)還是最后一個(gè)，默認(rèn)為“channels_last”,即默認(rèn)輸入數(shù)據(jù)的格式中，通道數(shù)為最后一個(gè)。

當(dāng)data_format = "channels_first"的時(shí)候，輸入和輸出的shape格式為

(batch_size, channels, height, width)即（圖片數(shù)量，通道數(shù)，長(zhǎng)，寬）正如下圖所示：

6.關(guān)鍵字參數(shù)dalition_rate = （1,1）

這個(gè)含義是卷積核的膨脹系數(shù)，

此處的作用是將卷積核進(jìn)行形狀膨脹，新的位置用0填充，新卷積核的尺寸和膨脹系數(shù)的計(jì)算公式如下：

原卷積核的尺寸為S ，膨脹系數(shù)為k，則膨脹后的卷積核尺寸為

size = k×（S-1）+1

7.關(guān)鍵字參數(shù)activation = “relu”

此處的含義是激活函數(shù)，

相當(dāng)于經(jīng)過(guò)卷積輸出后，在經(jīng)過(guò)一次激活函數(shù)，常見(jiàn)的激活函數(shù)有relu，softmax，selu，等

8.關(guān)鍵字參數(shù)use_bias =0 、1

偏置項(xiàng)

此處取值為布爾值，0或者1,0表示沒(méi)有增加bias，1表示有。

9.后面的關(guān)鍵字參數(shù)一般不常用

• kernel_initializer：卷積核初始化，

• bias_initializer：偏差值初始化，

• kernel_regularizer：卷積核正則化

• bias_regularizer：偏差正則化

• activity_regularizer：這個(gè)地方也是一個(gè)正則化

• kernel_constraint：卷積核約束

• bias_constraint：偏差約束。

這幾個(gè)參數(shù)不常用，

10.最后還有幾個(gè)可選 的關(guān)鍵字參數(shù)

input_shape

這個(gè)是指輸入的形狀，一般是4D的，（batch size, height, width, channels），也可以不定義，那就是默認(rèn)輸入的形狀。

到此，相信大家對(duì)“CNN卷積函數(shù)Conv2D()各參數(shù)怎么使用”有了更深的了解，不妨來(lái)實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢(xún)，關(guān)注我們，繼續(xù)學(xué)習(xí)！