当前位置：极客教程 > Tensorflow > Tensorflow 教程 > Python Tensorflow – tf.keras.layer.Conv2D()函数

Python Tensorflow – tf.keras.layer.Conv2D()函数

Python Tensorflow – tf.keras.layer.Conv2D()函数

在这篇文章中，我们将深入了解tf.keras.layer.Conv2D()在python编程语言中的使用。

卷积神经网络CNN

计算机视觉正在通过用大数据训练机器来模仿人类视觉来改变世界。卷积神经网络（CNN）是一种特殊类型的人工神经网络，它使用感知器/计算机图，是一种用于分析数据的机器学习单元算法。这些数据主要涉及图像。一个三维矢量维度通过特征图，然后使用Pooling技术对其进行降采样。广泛使用的对图像特征图进行降采样的Pooling技术是MaxPooling和MeanPooling。

Python Tensorflow - tf.keras.layer.Conv2D()函数

CNN的应用

卷积神经网络被广泛用于计算机视觉技术，主要应用包括。

  • Object Detection
  • 分类。乳腺癌的预测
  • Semantic Segmentation
  • Self-driving
  • Probability Control

Keras中的CNN实现： tk.keras.layer.Conv2D()

Conv2D的类结构。

tf.keras.layer.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)
Python

tk.keras.layer.Conv2D()的常用参数是过滤器、kernel_size、strides、padding、激活。

参数 含义
滤波器 卷积中的输出滤波器的数量，即总的特征图。
kernel_size 一个元组或整数值，指定二维卷积窗口的高度和宽度。
strides 一个整数或两个整数的元组/列表，指定卷积的跨度以及高度和宽度。
padding “有效 “表示没有padding。”相同 “表示输出的大小与输入相同。
activation 非线性函数 [relu, softmax, sigmoid, tanh)
use_bias 布尔型，该层是否使用偏置向量。
dilation_rate 一个整数或2个整数的元组/列表，指定用于扩张卷积的扩张率。
kernel_initializer 默认为’glorot_uniform’。
bias_initializer 偏压向量的初始化器
kernel_constraint 适用于内核矩阵的约束函数
bias_constraint 适用于偏置向量的约束函数

使用Tensorflow的卷积神经网络

卷积神经网络是一种广泛使用的深度学习算法。使用CNN的主要目的是缩小输入的形状。在下面的例子中，我们采取4维图像像素，总共有50个64像素的图像数据。因为我们知道，图像是由三种颜色组成的，即RGB，因此4值3表示彩色图像。

在将输入的图像像素传递给Conv2D时，它缩小了输入尺寸。

示例:

import tensorflow as tf
import tensorflow.keras as keras
 
image_pixel = (50,64,64,3)
cnn_feature = tf.random.normal(image_pixel)
cnn_label = keras.layers.Conv2D(2, 3, activation='relu',
                                input_shape=image_pixel[1:])(
  cnn_feature)
print(cnn_label.shape)
Python

输出:

(50, 62, 62, 2)
Python

通过提供相同的padding参数，输入大小将保持不变。

image_pixel = (50, 64, 64, 3)
cnn_feature = tf.random.normal(image_pixel)
cnn_label = keras.layers.Conv2D(
    2, 3, activation='relu',
  padding="same",
  input_shape=image_pixel[1:])(cnn_feature)
print(cnn_label.shape)
Python

输出:

(50, 64, 64, 2)
Python

像素大小没有变化，因为我们提供的填充物是一样的。

实现keras.layer.Conv2D()模型

把到目前为止学到的一切付诸实践。首先，我们创建一个Keras序列模型，用32个大小为(3,3)的特征图创建一个卷积层。使用Relu进行激活，之后我们通过使用MaxPooling技术对数据进行降样。我们通过第二个卷积层的64个特征图来进一步缩小图像的规模。这个过程被称为特征提取。一旦特征提取完成，我们就可以将数据平铺成一个单一的向量，并将它们送入隐藏的密集层。在输出层使用softmax激活，以确保这些输出是分类的数据类型，这对图像分类很有帮助。

import tensorflow.keras as keras
 
 
def build_model():
    model = keras.Sequential(
        [
            # first convolution layer
            keras.layers.Conv2D(32, (3, 3), activation="relu",
                                input_shape=(32, 32, 3)),
            keras.layers.MaxPooling2D((2, 2), strides=2),
 
            # second convolution layer
            keras.layers.Conv2D(64, (3, 3), activation="relu"),
            keras.layers.MaxPooling2D((2, 2), strides=2),
 
            # fully connected classification
            # single vector
            keras.layers.Flatten(),
           
            # hidden layer and output layer
            keras.layers.Dense(1024, activation="relu"),
            keras.layers.Dense(10, activation="softmax")
        ])
    return model
Python

输出:

<keras.engine.sequential.Sequential object at 0x7f436e8bc2b0>
Python

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Tensorflow 教程

登录

找回密码？

注册