► Keras 2 API 文档 / 层 API / 卷积层 / Conv2D 层

Conv2D 层

`Conv2D` 类

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
)

二维卷积层（例如，图像上的空间卷积）。

此层创建一个卷积核，该卷积核与层输入进行卷积以生成输出张量。如果use_bias为 True，则会创建一个偏差向量并将其添加到输出中。最后，如果activation不为None，则将其应用于输出。

当在模型中将此层用作第一层时，请提供关键字参数input_shape（整数元组或None，不包括样本轴），例如，对于data_format="channels_last"中的 128x128 RGB 图像，input_shape=(128, 128, 3)。当维度大小可变时，可以使用None。

示例

>>> # 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)

参数

filters：整数，输出空间的维度（即卷积中输出滤波器的数量）。
kernel_size：整数或包含 2 个整数的元组/列表，指定二维卷积窗口的高度和宽度。可以是单个整数，以指定所有空间维度相同的数值。
strides：整数或包含 2 个整数的元组/列表，指定沿高度和宽度卷积的步长。可以是单个整数，以指定所有空间维度相同的数值。指定任何步长值 != 1 与指定任何dilation_rate值 != 1 不兼容。
padding："valid"或"same"之一（不区分大小写）。"valid"表示不填充。"same"导致在输入的左侧/右侧或上下方均匀地用零填充。当padding="same"且strides=1时，输出与输入具有相同的大小。
data_format：字符串，channels_last（默认值）或channels_first之一。输入中维度的顺序。channels_last对应于形状为(batch_size, height, width, channels)的输入，而channels_first对应于形状为(batch_size, channels, height, width)的输入。如果未指定，则使用在 TF-Keras 配置文件 ~/.keras/keras.json（如果存在）中找到的image_data_format值，否则为'channels_last'。请注意，TensorFlow 在 CPU 上当前不支持channels_first格式。默认为'channels_last'。
dilation_rate：整数或包含 2 个整数的元组/列表，指定用于膨胀卷积的膨胀率。可以是单个整数，以指定所有空间维度相同的数值。目前，指定任何dilation_rate值 != 1 与指定任何步长值 != 1 不兼容。
groups：一个正整数，指定输入沿通道轴分割成的组数。每个组分别与filters / groups个滤波器进行卷积。输出是所有groups结果沿通道轴的连接。输入通道和filters都必须能够被groups整除。
activation：要使用的激活函数。如果未指定任何内容，则不应用任何激活（请参阅keras.activations）。
use_bias：布尔值，指示层是否使用偏差向量。
kernel_initializer：kernel权重矩阵的初始化器（请参阅keras.initializers）。默认为'glorot_uniform'。
bias_initializer：偏差向量的初始化器（请参阅keras.initializers）。默认为'zeros'。
kernel_regularizer：应用于kernel权重矩阵的正则化函数（请参阅keras.regularizers）。
bias_regularizer：应用于偏差向量的正则化函数（请参阅keras.regularizers）。
activity_regularizer：应用于层输出（其“激活”）的正则化函数（请参阅keras.regularizers）。
kernel_constraint：应用于核矩阵的约束函数（请参阅keras.constraints）。
bias_constraint：应用于偏差向量的约束函数（请参阅keras.constraints）。

输入形状

如果data_format='channels_first'，则形状为batch_shape + (channels, rows, cols)的 4+D 张量；如果data_format='channels_last'，则形状为batch_shape + (rows, cols, channels)的 4+D 张量。

输出形状

如果data_format='channels_first'，则形状为batch_shape + (filters, new_rows, new_cols)的 4+D 张量；如果data_format='channels_last'，则形状为batch_shape + (new_rows, new_cols, filters)的 4+D 张量。由于填充，rows和cols值可能已更改。

返回值

表示activation(conv2d(inputs, kernel) + bias)的秩为 4+的张量。

引发异常

ValueError：如果padding为"causal"。
ValueError：当strides > 1且dilation_rate > 1时。

Conv2D 层

Conv2D 类

Conv2D 层

Conv2D 类

`Conv2D` 类