大家好，又见面了，我是你们的朋友全栈君。
Conv2D：图像空间的2维卷积
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)
该层创建了一个卷积内核。如果将该图层用作模型中的第一个图层时，需要提供关键参数input_shape(整数元组)，如input_shape=(128,128,3)对应于128×128 的RGB图片。
参数
- filter：整数，卷积输出滤波器的数量。
- kernel_size：2个整数或2个整数构成的元组/列表，指定2-dim卷积窗口的高度和宽度。可以是单个整数，以指定具有相同值的所有空间维度。
- strides：2个整数或2个整数构成的元组/列表，指定沿着高度和宽度卷积的步长，如果是单个整数则指定所有的空间维度具有相同的值。
- padding：有
“valid”或“same” - data_format：一个字符串，一个
channels_last或channels_first，前者对应的输入shape是(batch, height, width, channels)，后者对应的shape是(batch, channels, height, width)。默认的是“channels_last” - dilation_rate：2个整数或2个整数构成的元组/列表，指定用于扩张卷积的扩张率。可以是单个整数，以指定具有相同值的所有空间维度。
- activation：如“relu”、“sigmoid”等
- use_bias：Boolean，该层是否使用偏置向量。
- kernel_initializer：
kernel权重矩阵的初始化器 - bias_initializer：偏置向量的初始化器
- kernel_regularizer：应用于
kernel权重矩阵的正则化函数 - bias_regularizer：应用于偏置向量的正则化函数
- activity_regularizer：应用于图层输出的正则化函数（它的“激活”）
- kernel_constraint：应用于内核矩阵的约束函数
- bias_constraint：应用于偏置向量的约束函数
Input shape
4D tensor with shape: (batch, channels, rows, cols) if data_format is “channels_first” or 4D tensor with shape: (batch, rows, cols, channels) if data_format is “channels_last”.
Output shape
4D tensor with shape: (batch, filters, new_rows, new_cols) if data_format is “channels_first” or 4D tensor with shape: (batch, new_rows, new_cols, filters) if data_format is “channels_last”. rows and cols values might have changed due to padding.
详细内容请查看 原文档
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/128883.html原文链接：https://javaforall.net
