► Keras 2 API 文件 / 層 API / 卷積層 / Conv2D 層

Conv2D 層

`Conv2D` 類別

tf_keras.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 卷積層 (例如，圖像上的空間卷積)。

此層建立一個卷積核，該卷積核與層輸入進行卷積以產生輸出張量。如果 use_bias 為 True，則會建立一個偏差向量並將其添加到輸出中。最後，如果 activation 不是 None，也會將其應用於輸出。

當使用此層作為模型中的第一層時，請提供關鍵字引數 input_shape（整數或 None 的元組，不包括樣本軸），例如，input_shape=(128, 128, 3) 用於 data_format="channels_last" 中 128x128 的 RGB 圖片。當維度具有可變大小時，您可以使用 None。

範例

>>> # 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)

>>> # 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)

>>> # 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)

>>> # 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)

引數

filters：整數，輸出空間的維度（即卷積中輸出濾波器的數量）。
kernel_size：整數或 2 個整數的元組/列表，指定 2D 卷積視窗的高度和寬度。可以是單個整數，以指定所有空間維度的相同值。
strides：整數或 2 個整數的元組/列表，指定沿高度和寬度的卷積步幅。可以是單個整數，以指定所有空間維度的相同值。指定任何步幅值 != 1 與指定任何 dilation_rate 值 != 1 不相容。
padding："valid" 或 "same" 其中之一（不區分大小寫）。"valid" 表示不進行填充。"same" 會使用零均勻地填充輸入的左/右或上/下。當 padding="same" 且 strides=1 時，輸出的大小與輸入相同。
data_format：字串，channels_last (預設) 或 channels_first 其中之一。輸入中維度的順序。channels_last 對應於形狀為 (batch_size, height, width, channels) 的輸入，而 channels_first 對應於形狀為 (batch_size, channels, height, width) 的輸入。如果未指定，則會使用在您的 TF-Keras 設定檔 ~/.keras/keras.json（如果存在）中找到的 image_data_format 值，否則使用 'channels_last'。請注意，目前 TensorFlow 在 CPU 上不支援 channels_first 格式。預設為 'channels_last'。
dilation_rate：整數或 2 個整數的元組/列表，指定用於擴張卷積的擴張率。可以是單個整數，以指定所有空間維度的相同值。目前，指定任何 dilation_rate 值 != 1 與指定任何步幅值 != 1 不相容。
groups：正整數，指定沿通道軸分割輸入的組數。每個組會使用 filters / groups 個濾波器單獨進行卷積。輸出是沿通道軸的所有 groups 結果的串聯。輸入通道和 filters 都必須能被 groups 整除。
activation：要使用的激活函數。如果您未指定任何內容，則不會應用任何激活（請參閱 keras.activations）。
use_bias：布林值，表示層是否使用偏差向量。
kernel_initializer：kernel 權重矩陣的初始化器（請參閱 keras.initializers）。預設為 'glorot_uniform'。
bias_initializer：偏差向量的初始化器（請參閱 keras.initializers）。預設為 'zeros'。
kernel_regularizer：應用於 kernel 權重矩陣的正規化器函數（請參閱 keras.regularizers）。
bias_regularizer：應用於偏差向量的正規化器函數（請參閱 keras.regularizers）。
activity_regularizer：應用於層輸出（其「激活」）的正規化器函數（請參閱 keras.regularizers）。
kernel_constraint：應用於核心矩陣的約束函數（請參閱 keras.constraints）。
bias_constraint：應用於偏差向量的約束函數（請參閱 keras.constraints）。

輸入形狀

如果 data_format='channels_first'，則為形狀為 batch_shape + (channels, rows, cols) 的 4+D 張量；如果 data_format='channels_last'，則為形狀為 batch_shape + (rows, cols, channels) 的 4+D 張量。

輸出形狀

如果 data_format='channels_first'，則為形狀為 batch_shape + (filters, new_rows, new_cols) 的 4+D 張量；如果 data_format='channels_last'，則為形狀為 batch_shape + (new_rows, new_cols, filters) 的 4+D 張量。由於填充，rows 和 cols 值可能已變更。

傳回

表示 activation(conv2d(inputs, kernel) + bias) 的秩 4+ 張量。

引發

ValueError：如果 padding 為 "causal"。
ValueError：當 strides > 1 且 dilation_rate > 1 時。

Conv2D 層

Conv2D 類別

Conv2D 層

Conv2D 類別

`Conv2D` 類別