Python Tensorflow – tf.keras.layers.Conv2D()函数

在本文中，我们将深入了解 tf.keras.layers.Conv2D() 在Python编程语言中的使用。

卷积神经网络：CNN

计算机视觉通过训练具有大数据的机器来模仿人类视觉，正在改变世界。卷积神经网络 (CNN) 是一种特定类型的人工神经网络，它使用感知器/计算机图，这是一种用于分析数据的机器学习单元算法。该数据主要涉及图像。 3D 向量维度通过特征映射，然后使用池化技术对其进行下采样。广泛使用的对图像特征图进行下采样的池化技术是 MaxPooling 和 MeanPooling。

CNN的应用：

卷积神经网络广泛应用于计算机视觉技术，主要应用包括：

• 物体检测
• 分类：乳腺癌预测
• 语义分割
• 自动驾驶
• 概率控制

Keras 中的 CNN 实现：tk.keras.layers.Conv2D()

Conv2D 的类结构：

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)

tk.keras.layers.Conv2D() 过滤器的常用参数，kernel_size，strides，padding，activation。

Arguments	Meaning
filters	The number of output filters in the convolution i.e., total feature maps
kernel_size	A tuple or integer value specifying the height and width of the 2D convolution window
strides	An integer or tuple/list of 2 integers, specifying the strides of the convolution along with the height and width.
padding	“valid” means no padding. “same” means output has the same size as the input.
activation	Non-Linear functions [relu, softmax, sigmoid, tanh]
use_bias	Boolean, whether the layer uses a bias vector.
dilation_rate	an integer or tuple/list of 2 integers, specifying the dilation rate to use for dilated convolution.
kernel_initializer	Defaults to ‘glorot_uniform’.
bias_initializer	The initializer for the bias vector
kernel_constraint	Constraint function applied to the kernel matrix
bias_constraint	Constraint function applied to the bias vector

使用 Tensorflow 的卷积神经网络：

卷积神经网络是一种广泛使用的深度学习算法。使用 CNN 的主要目的是缩小输入形状。在下面的示例中，我们采用 4 维图像像素，总共 50 个 64 像素的图像数据。由于我们知道图像是由三种颜色即RGB组成的，因此4值3表示彩色图像。

在将输入图像像素传递给 Conv2D 时，它会缩小输入大小。

例子：

Python3

import tensorflow as tf
import tensorflow.keras as keras
 
image_pixel = (50,64,64,3)
cnn_feature = tf.random.normal(image_pixel)
cnn_label = keras.layers.Conv2D(2, 3, activation='relu',
                                input_shape=image_pixel[1:])(
  cnn_feature)
print(cnn_label.shape)

输出：

(50, 62, 62, 2)

通过提供相同的填充参数，输入大小应保持不变。

Python3

image_pixel = (50, 64, 64, 3)
cnn_feature = tf.random.normal(image_pixel)
cnn_label = keras.layers.Conv2D(
    2, 3, activation='relu',
  padding="same",
  input_shape=image_pixel[1:])(cnn_feature)
print(cnn_label.shape)

输出：

(50, 64, 64, 2)

像素大小没有变化，因为我们提供了相同的填充。

实现 keras.layers.Conv2D() 模型：

将到目前为止所学的一切付诸实践。首先，我们创建一个 Keras 序列模型并创建一个具有 32 个大小为 (3,3) 的特征图的卷积层。 Relu 是使用激活，然后我们使用 MaxPooling 技术对数据进行下采样。我们通过将图像通过具有 64 个特征图的第二个卷积层来进一步缩小图像。这个过程称为特征提取。完成特征提取后，我们可以将数据展平为单个向量并将它们提供给隐藏的密集层。 softmax 激活用于输出层，以确保这些输出属于分类数据类型，这有助于图像分类。

Python3

import tensorflow.keras as keras
 
 
def build_model():
    model = keras.Sequential(
        [
            # first convolution layer
            keras.layers.Conv2D(32, (3, 3), activation="relu",
                                input_shape=(32, 32, 3)),
            keras.layers.MaxPooling2D((2, 2), strides=2),
 
            # second convolution layer
            keras.layers.Conv2D(64, (3, 3), activation="relu"),
            keras.layers.MaxPooling2D((2, 2), strides=2),
 
            # fully connected classification
            # single vector
            keras.layers.Flatten(),
           
            # hidden layer and output layer
            keras.layers.Dense(1024, activation="relu"),
            keras.layers.Dense(10, activation="softmax")
        ])
    return model

输出：