一、说明
卷积，池化，激活函数，这三者号称是深度神经网络的三驾马车；其中卷积是最复杂的一个，因此，对卷积这个东西需要精心认知，这样对后面学习大有帮助。本篇为系列博文，专门介绍Ceras库的各种API的应用方法，力求从根本上学习 。
二、卷积层（Conv2D层）
该层一个流动性创建，该流动性与层输入以产生输出张量。如果 use_bias 为 True，则创建一个偏置允许将其添加到输出中。最后，如果激活不是无，则创建一个偏置评估输出。
启用图层模型中的第一层时，请提供关键字参数input_shape（整数元组或None，不包括结束轴），例如input_shape=（128， 128， 3）对于data_format=“中的128x128 RGB图片channels_last。
- 函数名称：
keras_core.layers.Conv2D()
- 函数原型：
keras_core.layers.Conv2D(
filters,
kernel_size,
strides=(1, 1),
padding="valid",
data_format=None,
dilation_rate=(1, 1),
groups=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
)- 2D 卷积层描述。
该层创建一个卷积核，该卷积核与单个空间（或时间）维度上的层输入进行卷积，以产生输出张量。如果use_bias为 True，则创建偏置向量并将其添加到输出中。最后，如果activation不是None，它也应用于输出。
- 参数解释
| 参数名称 | 格式 | 意义 | 描述对象【输入,输出 】 |
|---|---|---|---|
| filters | int | 输出空间的维度（卷积中过滤器的数量） | 是输出 |
| kernel_size | (int,int) | 一个整数或 2 个整数的元组/列表，指定 2D 卷积窗口的高度和宽度。可以是单个整数，为所有空间维度指定相同的值。 | 内部 |
| strides | (int,int) | int 或 2 个整数的元组/列表，指定卷积的步长。strides > 1与 dilation_rate > 1不兼容。（dilation_rate是膨胀卷积，以后再谈） | 内部 |
| padding | 字符串（‘
| ，"valid"或者"same"（不区分大小写）。 "valid"意味着没有填充。"same"结果均匀地填充到输入的左/右或上/下，使得输出具有与输入相同的高度/宽度尺寸。 | 内部 |
| data_format | 字符串
| 或
如果您从未设置过它，那么它将是 | |
| dilation_rate | int | 或 2 个整数的元组/列表，指定用于扩张卷积的扩张率。 | |
| groups | int | 一个正整数，指定输入沿通道轴分割的组数。每组分别与filters // groups滤波器进行卷积。输出是所有结果groups沿通道轴的串联。输入通道 和filters必须都能被 整除groups。 | |
| activation | 字符串 | 激活函数。如果None，则不应用任何激活。 | |
| use_bias | bool | 如果True，偏差将添加到输出中。 | |
| kernel_initializer | 函数指针 | 卷积核的初始化器。如果，则将使用None默认初始化程序 ( )。"glorot_uniform" | |
| bias_initializer | 函数指针 | ：偏置向量的初始化器。如果，则将使用None默认初始化程序 ( )。"zeros" | |
| kernel_regularizer | 函数指针 | 卷积核的可选正则化器。 | |
| bias_regularizer | 函数指针 | ：偏置向量的可选正则化器。 | |
| Activity_regularizer | 函数指针 | ：输出的可选正则化函数。 | |
| kernel_constraint： | 函数指针 | 可选的投影函数，在更新后应用于内核Optimizer（例如，用于实现层权重的范数约束或值约束）。该函数必须将未投影变量作为输入，并且必须返回投影变量（必须具有相同的形状）。进行异步分布式训练时，使用约束并不安全。 | |
| bias_constraint | 函数指针 | 可选的投影函数，在由 更新后应用于偏差Optimizer。 |
输入形状
形状为batch_shape + (channels, rows, cols)if 的 4+D 张量data_format='channels_first' 或 形状为batch_shape + (rows, cols, channels)if 的 4+D 张量data_format='channels_last'。
输出形状
形状为batch_shape + (filters, new_rows, new_cols)if 的 4+D 张量data_format='channels_first'或 形状为batch_shape + (new_rows, new_cols, filters)
if的 4+D 张量data_format='channels_last'。 rows 并且cols值可能由于填充而发生变化。
返回
表示 的 4D 张量activation(conv2d(inputs, kernel) + bias)。
提高
- ValueError：当
strides > 1和 都存在时dilation_rate > 1。
三、参考示例
3.1 验证输入和输出
>>> # The inputs are 28x28 RGB images with `channels_last` and the batch
>>> # size is 4.
>>> input_shape = (4, 28, 28, 3)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv2D(
... 2, 3, activation='relu', input_shape=input_shape[1:])(x)
>>> print(y.shape)
(4, 26, 26, 2)
3.2 验证膨胀卷积
>>> # With `dilation_rate` as 2.
>>> input_shape = (4, 28, 28, 3)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv2D(
... 2, 3,
... activation='relu',
... dilation_rate=2,
... input_shape=input_shape[1:])(x)
>>> print(y.shape)
(4, 24, 24, 2)
3.3 验证卷积前填充
>>> # With `padding` as "same".
>>> input_shape = (4, 28, 28, 3)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv2D(
... 2, 3, activation='relu', padding="same", input_shape=input_shape[1:])(x)
>>> print(y.shape)
(4, 28, 28, 2)
3.4 验证将batch-size扩展成张量维度
>>> # With extended batch shape [4, 7]:
>>> input_shape = (4, 7, 28, 28, 3)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv2D(
... 2, 3, activation='relu', input_shape=input_shape[2:])(x)
>>> print(y.shape)
(4, 7, 26, 26, 2)四、实现一个深度网络
4.1 代码和项目介绍
我们搭建简单网络，该网络能跑起来，但并不保证有多么有效，相反，我们要逐步改进其弱点，实现更高效能。
4.2 数据集导入
导入cifar10数据集，以下两步完成：
from tensorflow.keras.datasets import cifar10
# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
4.3 项目设计
网络结构预先设计好，比如，下图详细描述了一个图片输入，卷积-连接层的分类神经网络，以及实现步骤。详细代码见下端。
4.4 模型实现
- 模型实现是通过管道完成：model = Sequential( [ list ] )
- 模型生成后需要编译，编译过后执行速度提升。model.compile。此处定义代价函数。
- 训练定义和执行。model.fit 训练。
4.5 代码实现
# Image Classification with Convolutional Neural Networks (CNN)
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
# Preprocess the data
x_train, x_test = x_train / 255.0, x_test / 255.0
# Build a CNN model
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
Flatten(),
Dense(64, activation='relu'),
Dense(10)
])
# Compile the model
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# Train the model
model.fit(x_train, y_train, epochs=20, validation_data=(x_test, y_test))
