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(nèi)容簡而易懂，希望大家可以學(xué)習(xí)一下，學(xué)習(xí)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(wǎng)站、網(wǎng)站設(shè)計經(jīng)驗(yàn)，可以快速應(yīng)對客戶對網(wǎng)站的新想法和需求。提供各種問題對應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識你，你也不認(rèn)識我。但先做網(wǎng)站后付款的網(wǎng)站建設(shè)流程，更有大慶免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

卷積層

創(chuàng)建卷積層

首先導(dǎo)入keras中的模塊

from keras.layers import Conv2D

卷積層的格式及參數(shù)：

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

filters: 過濾器數(shù)量

kernel_size：指定卷積窗口的高和寬的數(shù)字

strides: 卷積stride，如果不指定任何值，則strides設(shè)為1

padding: 選項(xiàng)包括'valid'和'same'，默認(rèn)值為'valid'

activation: 通常為'relu'，如果不指定任何值，則不應(yīng)用任何激活函數(shù)，通常應(yīng)該向網(wǎng)絡(luò)中每個卷積層添加一個Relu激活函數(shù)

如果卷積層出現(xiàn)在輸入層之后，必須提供另一個input_shape參數(shù)：

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(wǎng)絡(luò)的第一個層級，則不應(yīng)該包含input_shape參數(shù)。

示例1：

假設(shè)我要構(gòu)建一個 CNN，輸入層接受的是 200 x 200 像素（對應(yīng)于高 200、寬 200、深 1 的三維數(shù)組）的灰度圖片。然后，假設(shè)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(jìn)行卷積操作時，我希望過濾器每次跳轉(zhuǎn) 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(gòu)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(shè)我希望 CNN 的下一層級是卷積層，并將示例 1 中構(gòu)建的層級作為輸入。假設(shè)新層級是 32 個過濾器，每個的寬和高都是 3。在進(jìn)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(qū)域，因此不介意過濾器在進(jìn)行卷積操作時是否超過上一層級的邊緣。

然后，要構(gòu)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(shù)數(shù)量

卷積層中的參數(shù)數(shù)量取決于filters, kernel_size, input_shape的值

K: 卷積層中的過濾器數(shù)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(shù)數(shù)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(shù)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(shù)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(chuàng)新互聯(lián)
當(dāng)前URL：http://m.rwnh.cn/article24/dgsgje.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)建站、品牌網(wǎng)站設(shè)計、網(wǎng)站設(shè)計、移動網(wǎng)站建設(shè)、定制網(wǎng)站、做網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)