Python tf.keras.layers.Conv2D用法及代码示例

2D 卷积层(例如图像上的空间卷积)。

继承自：Layer，Module

用法

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
)

该层创建一个卷积核，该卷积核与层输入进行卷积以产生输出张量。如果 use_bias 为 True，则会创建一个偏置向量并将其添加到输出中。最后，如果 activation 不是 None ，它也会应用于输出。

当将此层用作模型中的第一层时，请提供关键字参数 input_shape(整数元组或 None ，不包括样本轴)，例如input_shape=(128, 128, 3) 用于 data_format="channels_last" 中的 128x128 RGB 图片。当维度具有可变大小时，您可以使用None。

例子：

# 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)

输入形状：

4+D 张量与形状：batch_shape + (channels, rows, cols) if data_format='channels_first' 或 4+D 张量与形状：batch_shape + (rows, cols, channels) if data_format='channels_last'。

输出形状：

4+D 张量与形状：batch_shape + (filters, new_rows, new_cols) if data_format='channels_first' 或 4+D 张量与形状：batch_shape + (new_rows, new_cols, filters) if data_format='channels_last'。 rows 和 cols 值可能因填充而发生更改。