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

在深度学习中，卷积神经网络是常用的神经网络之一。tf.keras.layers.Conv2D()函数是tensorflow中的一个核心函数，用来实现二维卷积操作。

函数介绍

函数原型如下：

tf.keras.layers.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,
    **kwargs
)

参数说明：

• filters：整数，代表卷积核的数量（即输出的维度）。
• kernel_size：整数或元组，代表卷积核的尺寸。
• strides：整数或元组，代表卷积核的步长，默认为 (1, 1)。
• padding：字符串，可选值为 'valid' 或 'same'。'valid' 表示不使用补零，'same' 表示补零。
• data_format：字符串，代表输入数据的格式，默认为 None。如果为 'channels_first'，输入数据的形状为 (batch_size, channels, height, width)；如果为 'channels_last'，输入数据的形状为 (batch_size, height, width, channels)。
• dilation_rate：整数或元组，代表卷积核的扩展率，默认为 (1, 1)。
• activation：字符串，代表激活函数。
• use_bias：布尔值，是否使用偏置项，默认为 True。
• kernel_initializer：权重初始化方法，可以是字符串（如 'glorot_uniform'）或可调用对象，默认为 'glorot_uniform'。
• bias_initializer：偏置项初始化方法，可以是字符串或可调用对象，默认为 'zeros'。
• kernel_regularizer：权重正则化方法，一个可调用对象。
• bias_regularizer：偏置项正则化方法，一个可调用对象。
• activity_regularizer：输出正则化方法，一个可调用对象。
• kernel_constraint：权重约束方法，一个可调用对象。
• bias_constraint：偏置项约束方法，一个可调用对象。

代码示例

import tensorflow as tf

# 创建一个输入张量
input_tensor = tf.ones((1, 32, 32, 3))

# 创建一个卷积层
conv_layer = tf.keras.layers.Conv2D(filters=64, kernel_size=3, activation='relu')

# 在卷积层上执行前向传播
output_tensor = conv_layer(input_tensor)

# 输出输出张量的形状
print(output_tensor.shape)

上述代码中，我们首先创建了一个输入张量 input_tensor，其形状为 (1, 32, 32, 3)，表示一张 RGB 图片。然后创建了一个卷积层 conv_layer，其中 filters=64 代表设置卷积核数量为 64，kernel_size=3 代表设置卷积核尺寸为 3x3，activation='relu' 代表使用 ReLU 激活函数。最后在卷积层上执行前向传播，得到输出张量 output_tensor，并输出其形状。

注：输出张量的形状为 (1, 30, 30, 64)，因为卷积操作会使输出张量的高度和宽度均减小 2，所以 (32, 32) 变为了 (30, 30)，而 filters=64，代表输出张量的深度为 64。