這篇文章主要為大家展示了如何使用keras中的卷積層和池化層，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。

10年積累的成都做網站、網站設計經驗，可以快速應對客戶對網站的新想法和需求。提供各種問題對應的解決方案。讓選擇我們的客戶得到更好、更有力的網絡服務。我雖然不認識你，你也不認識我。但先做網站后付款的網站建設流程，更有大慶免費網站建設讓你可以放心的選擇與我們合作。

卷積層

創建卷積層

首先導入keras中的模塊

from keras.layers import Conv2D

卷積層的格式及參數：

Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)

filters: 過濾器數量

kernel_size：指定卷積窗口的高和寬的數字

strides: 卷積stride，如果不指定任何值，則strides設為1

padding: 選項包括'valid'和'same'，默認值為'valid'

activation: 通常為'relu'，如果不指定任何值，則不應用任何激活函數，通常應該向網絡中每個卷積層添加一個Relu激活函數

如果卷積層出現在輸入層之后，必須提供另一個input_shape參數：

input_shape: 指定輸入的高度、寬度和深度的元組；如果卷積層不是網絡的第一個層級，則不應該包含input_shape參數。

示例1：

假設我要構建一個 CNN，輸入層接受的是 200 x 200 像素（對應于高 200、寬 200、深 1 的三維數組）的灰度圖片。然后，假設我希望下一層級是卷積層，具有 16 個過濾器，每個寬和高分別為 2。在進行卷積操作時，我希望過濾器每次跳轉 2 個像素。并且，我不希望過濾器超出圖片界限之外；也就是說，我不想用 0 填充圖片。

要構建該卷積層，我將使用下面的代碼

Conv2D(filters=16, kernel_size=2, strides=2, activation='relu', input_shape=(200, 200, 1))

示例 2

假設我希望 CNN 的下一層級是卷積層，并將示例 1 中構建的層級作為輸入。假設新層級是 32 個過濾器，每個的寬和高都是 3。在進行卷積操作時，我希望過濾器每次移動 1 個像素。我希望卷積層查看上一層級的所有區域，因此不介意過濾器在進行卷積操作時是否超過上一層級的邊緣。

然后，要構建此層級，我將使用以下代碼：

Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')

卷積層中的參數數量

卷積層中的參數數量取決于filters, kernel_size, input_shape的值

K: 卷積層中的過濾器數量， K=filters

F：卷積過濾器的高度和寬度, F = kernal_size

D_in: 上一層級的深度, D_in是input_shape元組中的最后一個值

卷積層中的參數數量計算公式為：K * F * F * D_in + K

卷積層的形狀

卷積層的形狀取決于kernal_size, input_shape, padding, stride的值

K: 卷積層中的過濾器數量，K = filters

F: 卷積過濾器的高度和寬度， F = kernal_size

H_in: 上一層級的高度

W_in: 上一層級的寬度

S: stride

卷積層的深度始終為過濾器數量K

如果padding=‘same', 那么卷積層的空間維度計算公式如下：

height = ceil(float(H_in) / float(S))
width = ceil(float(W_in) / float(S))

如果padding = ‘valid', 那么卷積層的空間維度計算公式如下：

height = ceil(float(H_in - F + 1) / float(S))
width = ceil(float(W_in - F + 1) / float(S))

可以使用如下形式檢測卷積層的維度：

from keras.models import Sequential
from keras.layers import Conv2D

model = Sequential()
model.add(Conv2D(filters=32, kernel_size=3, strides=2, padding='same', 
 activation='relu', input_shape=(128, 128, 3)))
model.summary()

文章名稱：如何使用keras中的卷積層和池化層-創新互聯
當前URL：http://www.yijiale78.com/article24/dgsgje.html

成都網站建設公司_創新互聯，為您提供外貿建站、品牌網站設計、網站設計、移動網站建設、定制網站、做網站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯