► Keras 2 API 文档 / Layers 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
)

2D 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，则会创建一个偏置向量并添加到输出中。最后，如果 activation 不为 None，则也会将其应用于输出。

当使用此层作为模型的第一层时，请提供关键字参数 input_shape（整数或 None 的元组，不包括样本轴），例如，对于 data_format="channels_last" 中的 128x128 RGB 图片，请使用 input_shape=(128, 128, 3)。当某个维度的大小可变时，您可以使用 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（即卷积中的输出滤波器数量）。
kernel_size：一个整数或包含 2 个整数的元组/列表，指定 2D 卷积窗口的高度和宽度。可以是一个整数，为所有空间维度指定相同的值。
strides：一个整数或 2 个整数的元组/列表，指定卷积在高度和宽度方向上的步幅。可以是一个单独的整数，为所有空间维度指定相同的值。指定任何不等于 1 的步幅值与指定任何不等于 1 的 dilation_rate 值不兼容。
padding："valid" 或 "same"（不区分大小写）之一。"valid" 表示无填充。"same" 会在输入层的左/右或上/下进行零填充。当 padding="same" 且 strides=1 时，输出的大小与输入相同。
data_format：一个字符串，channels_last（默认）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，则使用您 TF-Keras 配置文件中的 image_data_format 值，该文件位于 ~/.keras/keras.json（如果存在），否则默认为 'channels_last'。请注意，channels_first 格式目前不受 TensorFlow on CPU 的支持。默认为 'channels_last'。
dilation_rate：一个整数或 2 个整数的元组/列表，指定要用于空洞卷积的空洞率。可以是一个单独的整数，为所有空间维度指定相同的值。目前，指定任何不等于 1 的 dilation_rate 值与指定任何不等于 1 的步幅值不兼容。
groups：一个正整数，指定输入在通道轴上分割的组数。每组独立地用 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 都必须能被 groups 整除。
activation：要使用的激活函数。如果您不指定任何内容，则不应用激活（请参阅 keras.activations）。
use_bias：布尔值，表示该层是否使用偏置向量。
kernel_initializer：kernel 权重矩阵的初始化器（请参阅 keras.initializers）。默认为 'glorot_uniform'。
bias_initializer：偏置向量的初始化器（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：应用于偏置向量的正则化函数（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：应用于偏置向量的约束函数（请参阅 keras.constraints）。

输入形状

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

输出形状

4+D 张量，形状为：如果 data_format='channels_first'，则为 batch_shape + (filters, new_rows, new_cols)；如果 data_format='channels_last'，则为 batch_shape + (new_rows, new_cols, filters)。rows 和 cols 的值可能因填充而改变。

一个秩为 4+ 的张量，表示 activation(conv2d(inputs, kernel) + bias)。

引发

ValueError：如果 padding 是 "causal"。
ValueError：当 strides > 1 和 dilation_rate > 1 都存在时。

Conv2D 层

Conv2D 类

Conv2D 层

Conv2D 类

`Conv2D` 类