摘要：
keras中卷积层Conv2D的学习关于卷积的具体操作不细讲，本文只是自己太懒了不想记手写笔记。由于自己接触到的都是图像处理相关的工作，因此，在这里只介绍2D卷积。keras.la... keras?=中卷积层Conv2D的学习
关于卷积的具体操作不细讲，本文只是自己太懒了不想记手写笔记。
由于自己接触到的都是图像
keras.layers.convolutiONal.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)
此操作将二维向量进行卷积，当使用该层作为第一层时，应提供input_shape参数。
参数
filters：卷积核的数目（即输出的维度）。kernel_size：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：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。activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano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）。dilation_rate：单个整数或由两个个整数构成的list/tuple，指定dilated convolution中的膨胀比例。任何不为1的dilation_rata均与任何不为1的strides均不兼容。data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。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”。use_bias：布尔值，是否使用偏置项。kernel_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。bias_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。kernel_regularizer：施加在权重上的正则项，为Regularizer对象。bias_regularizer：施加在偏置向量上的正则项，为Regularizer对象。activity_regularizer：施加在输出上的正则项，为Regularizer对象。kernel_constrainTS：施加在权重上的约束项，为Constraints对象。bias_constraints：施加在偏置上的约束项，为Constraints对象。 keras中conv2d,conv2dtranspose的Padding详解
conv2d和conv2dTranspose属于最常用的层，但在keras的实现中关于padding的部分有点模糊，周末趁着空闲做了一些尝试，来实验padding的valid和same参数在实际过程中如何操作的。
conv2D演示代码
conv2D部分
v_input = np.ones([1,5,5,1]) kernel = np.ones([3,3]) stride = 1 model = Sequential() model.add(Conv2D(1, kernel_size=(3, 3), activation='relu', padding="valid" , # "same" strides = 1, # dilation_rate = 1, kernel_initializer = keras.initializers.Ones(), input_shape=v_input.shape[1:]))
其中stride可以尝试多组测试
padding在valid 和 same 间切换测试
Conv2d演示结论
padding 为valid则不进行填充, 根据stride的滑动大小来做平移, 则:
output_shape = ceil( (input_shape - (kernel_size - 1)) / stride )
如果是same模式则 会进行左右上下的补齐, 其中左,上依次补齐 flood (kernel_size -1 ) / 2 , 右下补齐ceil (( kernel_size - 1) /2 ) ,补齐后进行的操作就是类似valid下的滑动卷积
output_shape = ceil (input_shape / stride)
ceil表示上取整 flood表示下取整 CONV2Dtranspose演示代码
v_input = np.ones([1,5,5,1]) kernel = np.ones([3,3]) stride = 1 model = Sequential() model.add(Conv2DTranspose(1, kernel_size=(3, 3), activation='relu', padding="valid" , # "same" strides = 1, # dilation_rate = 1, kernel_initializer = keras.initializers.Ones(), input_shape=v_input.shape[1:]))
如果padding的设置为valid则,保持最小相交的原则上下左右均填充kernel_size大小，如果ｓｔｒｉｄｅ设置为非１，起实际的作用和dilation_rate一样均是在矩阵中进行填充(实际滑动是永远都是１) 具体填充出来的矩阵大小是 (input_size -1) * stride + 1 + 2 * (kernel_size - 1)
之后就是按照这个矩阵做着类似conv2d valid的卷积 则:
output_shape = (input_size -1) * stride + 1 + 2 * (kernel_size - 1) - (kernel_size -1) = (input_size - 1) * stride + kernel_size
如果padding为same的话则output_shape = input_shape * stride
其中原始矩阵左上padding = ceil (( kernel_size ) /2 ) 右下补齐 flood (( kernel_size ) /2 ) 这里conv2d
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云初冀北。
$
还没有评论，来说两句吧...