Conv2D 層

[原始碼]

Conv2D 類別

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。

此層會建立一個卷積核，該卷積核會在 2D 空間（或時間）維度（高度和寬度）上與層的輸入進行卷積，以產生輸出張量。如果 use_bias 為 True，則會建立一個偏置向量並將其加到輸出中。最後，如果 activation 不是 None，則也會將其應用於輸出。

引數

• filters: int，輸出空間的維度（卷積中的篩檢程式數量）。
• kernel_size: int 或 2 個整數的 tuple/list，指定卷積視窗的大小。
• strides: int 或 2 個整數的 tuple/list，指定卷積的步幅長度。strides > 1 與 dilation_rate > 1 不相容。
• padding: 字串，可以是 "valid" 或 "same"（不區分大小寫）。"valid" 表示不填充。"same" 會導致輸入的左/右或上/下均勻填充。當 padding="same" 且 strides=1 時，輸出與輸入的大小相同。
• data_format: 字串，可以是 "channels_last" 或 "channels_first"。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。它預設為在您的 Keras 設定檔 ~/.keras/keras.json 中找到的 image_data_format 值。如果您從未設定它，則它將為 "channels_last"。
• dilation_rate: int 或 2 個整數的 tuple/list，指定用於膨脹卷積的膨脹率。
• groups: 一個正整數，指定輸入沿通道軸分割成的組數。每組都與 filters // groups 個篩檢程式分別進行卷積。輸出是沿通道軸的所有 groups 結果的串聯。輸入通道和 filters 都必須可被 groups 整除。
• activation: 激活函數。如果為 None，則不會套用任何激活函數。
• use_bias: bool，如果為 True，則會將偏置加到輸出中。
• kernel_initializer: 卷積核的初始化器。如果為 None，則將使用預設初始化器 ("glorot_uniform")。
• bias_initializer: 偏置向量的初始化器。如果為 None，則將使用預設初始化器 ("zeros")。
• kernel_regularizer: 卷積核的可選正規化器。
• bias_regularizer: 偏置向量的可選正規化器。
• activity_regularizer: 輸出的可選正規化函數。
• kernel_constraint: 可選的投射函數，在被 Optimizer 更新後應用於核心 (例如，用於實作層權重的範數約束或值約束)。此函數必須將未投射的變數作為輸入，並且必須傳回投射的變數 (該變數必須具有相同的形狀)。當執行非同步分散式訓練時，約束不適合使用。
• bias_constraint: 可選的投射函數，在被 Optimizer 更新後應用於偏置。

輸入形狀

• 如果 data_format="channels_last"：形狀為 (batch_size, height, width, channels) 的 4D 張量
• 如果 data_format="channels_first"：形狀為 (batch_size, channels, height, width) 的 4D 張量

輸出形狀

• 如果 data_format="channels_last"：形狀為 (batch_size, new_height, new_width, filters) 的 4D 張量
• 如果 data_format="channels_first"：形狀為 (batch_size, filters, new_height, new_width) 的 4D 張量

傳回

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

拋出

• ValueError：當 strides > 1 和 dilation_rate > 1 時。

範例

>>> x = np.random.rand(4, 10, 10, 128)
>>> y = keras.layers.Conv2D(32, 3, activation='relu')(x)
>>> print(y.shape)
(4, 8, 8, 32)