深度学习笔记《一》：keras_core.layers.Conv2D()

一、说明

        卷积，池化，激活函数，这三者号称是深度神经网络的三驾马车；其中卷积是最复杂的一个，因此，对卷积这个东西需要精心认知，这样对后面学习大有帮助。本篇为系列博文，专门介绍Ceras库的各种API的应用方法，力求从根本上学习 。

二、卷积层（Conv2D层）

        该层一个流动性创建，该流动性与层输入以产生输出张量。如果 use_bias 为 True，则创建一个偏置允许将其添加到输出中。最后，如果激活不是无，则创建一个偏置评估输出。

        启用图层模型中的第一层时，请提供关键字参数input_shape（整数元组或None，不包括结束轴），例如input_shape=（128， 128， 3）对于data_format=“中的128x128 RGB图片channels_last。

• 函数名称：

        keras_core.layers.Conv2D()

• 函数原型：

keras_core.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 卷积层描述。

该层创建一个卷积核，该卷积核与单个空间（或时间）维度上的层输入进行卷积，以产生输出张量。如果use_bias为 True，则创建偏置向量并将其添加到输出中。最后，如果activation不是None，它也应用于输出。

•  参数解释

输入形状

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

输出形状

形状为batch_shape + (filters, new_rows, new_cols)if 的 4+D 张量data_format='channels_first'或 形状为batch_shape + (new_rows, new_cols, filters)

if的 4+D 张量data_format='channels_last'。 rows 并且cols值可能由于填充而发生变化。

返回

表示 的 4D 张量activation(conv2d(inputs, kernel) + bias)。

提高

• ValueError：当strides > 1和 都存在时dilation_rate > 1。

三、参考示例

3.1 验证输入和输出

>>> # 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)

 3.2 验证膨胀卷积

>>> # 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)

  3.3 验证卷积前填充

>>> # 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)

   3.4 验证将batch-size扩展成张量维度

>>> # 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)

四、实现一个深度网络

4.1 代码和项目介绍

        我们搭建简单网络，该网络能跑起来，但并不保证有多么有效，相反，我们要逐步改进其弱点，实现更高效能。

4.2 数据集导入

导入cifar10数据集，以下两步完成：

from tensorflow.keras.datasets import cifar10# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

4.3 项目设计 

        网络结构预先设计好，比如，下图详细描述了一个图片输入，卷积-连接层的分类神经网络，以及实现步骤。详细代码见下端。

4.4 模型实现

• 模型实现是通过管道完成：model = Sequential( [ list ] )
• 模型生成后需要编译，编译过后执行速度提升。model.compile。此处定义代价函数。
• 训练定义和执行。model.fit 训练。

4.5 代码实现

# Image Classification with Convolutional Neural Networks (CNN)
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense# Load the CIFAR-10 dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()# Preprocess the data
x_train, x_test = x_train / 255.0, x_test / 255.0# Build a CNN model
model = Sequential([Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),MaxPooling2D((2, 2)),Conv2D(64, (3, 3), activation='relu'),MaxPooling2D((2, 2)),Conv2D(64, (3, 3), activation='relu'),Flatten(),Dense(64, activation='relu'),Dense(10)
])# Compile the model
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# Train the model
model.fit(x_train, y_train, epochs=20, validation_data=(x_test, y_test))