Tensorflow.js tf.layers.conv2d()用法及代碼示例

Tensorflow.js是Google開發的開源工具包，用於在瀏覽器或節點平台上執行機器學習模型和深度學習神經網絡。它還使開發人員能夠在 JavaScript 中創建機器學習模型，並直接在瀏覽器中或通過 Node.js 使用它們。

tf.layers.conv2d() 函數用於對數據應用 2D 卷積運算。

用法:

tf.layers.conv2d(args)

參數：它接受參數對象可以具有以下屬性：

• filters (number):輸出空間的維數(即卷積中的濾波器數量)。
• 內核大小(數字|數字[])：卷積窗口的尺寸。如果 kernelSize 是數字，則卷積窗口將為正方形。
• 步幅(數字|數字[])：每個維度的卷積步長。如果步幅是數字，則兩個維度的步幅相等。
• padding:填充模式。
• dataFormat:數據格式。這指定了輸入中維度的排序順序。 ChannelLast 是默認值。
• dilationRate:在每個維度中，用於擴張卷積的擴張率。它應該是一個整數或一個二元或three-int 數組。
• activation:該層的激活函數。
• useBias (boolean):該層是否有偏差向量。 True 是默認值。
• kernelInitializer:卷積核權重矩陣的初始值設定項。
• biasInitializer:偏置向量的初始值設定項。
• kernelConstraint:卷積核權重的約束。
• biasConstraint:偏置向量的約束。
• kernelRegularizer:應用於核權重矩陣的正則化函數。
• biasRegularizer:應用於偏置向量的正則化函數。
• activityRegularizer:應用於激活的正則化函數。
• inputShape:如果設置了此屬性，它將用於構造一個輸入層，該輸入層將插入到該層之前。
• batchInputShape:如果設置了此屬性，將創建一個輸入層並將其插入到該層之前。
• batchSize:如果未提供batchInputShape而提供了inputShape，則使用batchSize來構建batchInputShape。
• dtype:這是該層的數據類型。 float32 是默認值。該參數僅適用於輸入層。
• name:這是圖層的名稱，是字符串類型。
• trainable:如果該層的權重可以通過擬合來改變。 True 是默認值。
• weights:圖層的初始權重值。

返回：它返回一個對象(Conv2D)。

示例 1：

import * as tf from "@tensorflow/tfjs"; 
  
const input = tf.input({ shape: [4, 4, 4] }); 
const conv2DLayer = tf.layers.conv2d({ filters: 2, kernelSize: 2}); 
const output = conv2DLayer.apply(input); 
  
const model = tf.model({ inputs: input, outputs: output }); 
model.predict(tf.ones([1, 4, 4, 4])).print();

輸出：

Tensor
   [[[[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]],
     [[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]],
     [[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]]]]

示例 2：

import * as tf from "@tensorflow/tfjs"; 
  
const input = tf.input({ shape: [4, 4, 1] }); 
  
const conv2DLayer = tf.layers 
    .conv2d({ filters: 2, kernelSize: 3}); 
      
const output = conv2DLayer.apply(input); 
  
const model = tf.model({ inputs: input, outputs: output }); 
  
const x = tf.tensor4d([1, 2, 3, 4, 5, 6, 7, 8,  
    9, 10, 11, 12, 13, 14, 15, 16], [1, 4, 4, 1]); 
  
model.predict(x).print();

輸出：

Tensor
   [[[[2.3521864, 1.9806139],
      [2.9982643, 2.055856 ]],
     [[4.9365001, 2.2815819],
      [5.5825787, 2.3568242]]]]

參考：https://js.tensorflow.org/api/latest/#layers.conv2d