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(guò)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(gè)卷積層添加一個(gè)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(gè)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(gè)層級(jí)，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(gè) CNN，輸入層接受的是 200 x 200 像素（對(duì)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(jí)是卷積層，具有 16 個(gè)過(guò)濾器，每個(gè)寬和高分別為 2。在進(jìn)行卷積操作時(shí)，我希望過(guò)濾器每次跳轉(zhuǎn) 2 個(gè)像素。并且，我不希望過(guò)濾器超出圖片界限之外；也就是說(shuō)，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(jí)是卷積層，并將示例 1 中構(gòu)建的層級(jí)作為輸入。假設(shè)新層級(jí)是 32 個(gè)過(guò)濾器，每個(gè)的寬和高都是 3。在進(jìn)行卷積操作時(shí)，我希望過(guò)濾器每次移動(dòng) 1 個(gè)像素。我希望卷積層查看上一層級(jí)的所有區(qū)域，因此不介意過(guò)濾器在進(jìn)行卷積操作時(shí)是否超過(guò)上一層級(jí)的邊緣。

然后，要構(gòu)建此層級(jí)，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(guò)濾器數(shù)量， K=filters

F：卷積過(guò)濾器的高度和寬度, F = kernal_size

D_in: 上一層級(jí)的深度, D_in是input_shape元組中的最后一個(gè)值

卷積層中的參數(shù)數(shù)量計(jì)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(guò)濾器數(shù)量，K = filters

F: 卷積過(guò)濾器的高度和寬度， F = kernal_size

H_in: 上一層級(jí)的高度

W_in: 上一層級(jí)的寬度

S: stride

卷積層的深度始終為過(guò)濾器數(shù)量K

如果padding=‘same', 那么卷積層的空間維度計(jì)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(jì)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(cè)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()

池化層

keras中的最大池化層

創(chuàng)建池化層，首先導(dǎo)入keras中的模塊

from keras.layers import MaxPooling2D

然后用以下形式創(chuàng)建池化層

MaxPooling2D(pool_size, strides, padding)

參數(shù)

pool_size：指定池化窗口高度和寬度的數(shù)字

strides：垂直和水平stride，默認(rèn)參數(shù)為pool_size

padding：選項(xiàng)包括'valid'和'same'，默認(rèn)參數(shù)為'valid'

示例：

假設(shè)我要構(gòu)建一個(gè) CNN，并且我想通過(guò)在卷積層后面添加最大池化層，降低卷積層的維度。假設(shè)卷積層的大小是 (100, 100, 15)，我希望最大池化層的大小為 (50, 50, 15)。

要實(shí)現(xiàn)這一點(diǎn)，我可以在最大池化層中使用 2x2 窗口，stride 設(shè)為 2，代碼如下：

MaxPooling2D(pool_size=2, strides=2)

如果你想將 stride 設(shè)為 1，但是窗口大小依然保留為 2x2，則使用以下代碼：

MaxPooling2D(pool_size=2, strides=1)

可以使用如下形式檢測(cè)最大池化層的維度：

from keras.models import Sequential
from keras.layers import MaxPooling2D

model = Sequential()
model.add(MaxPooling2D(pool_size=2, strides=2, input_shape=(100, 100, 15)))
model.summary()

以上這篇keras中的卷積層&池化層的用法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論