Keras conv2D简介
Keras conv2D代表二维模式下的卷积层，负责生成卷积的内核，然后与Keras模型的其他输入层合并，使最终的结果输出包含一个张量。在这篇文章中，我们将深入探讨Keras conv2D的话题，并试图了解什么是Keras conv2D，如何使用Keras conv2D，Keras conv2D框架，Keras conv2D模型，Keras conv2D模型配置，以及关于同一问题的结论。
什么是Keras conv2D？
Keras conv2D是卷积层，它帮助我们生成卷积的内核，以便当它与Keras模型的输入层结合时，模型会产生包含张量的输出。产生的内核是卷积的掩码或矩阵，进一步用于边缘检测、锐化、模糊、浮雕，这些都是通过执行图像和内核的卷积来进行的。
如何使用Keras conv2D？
我们可以简单地在模型编译、拟合和评估后使用它，以便进一步使用。我们需要利用下面提到的类来参考其语法。以下是创建和使用Keras conv2D模型的步骤 -
- 在代码顶部导入必要的库和类。
- 声明模型的配置，包含本文配置部分中提到的所有属性。
- 加载数据。
- 定义输入数据的形状。
-
- 为训练和测试目的对数据进行缩放。
- 创建模型并向其添加所需的conv2D和其他层。
- 模型编译。
- 将用于训练目的的输入数据拟合到模型中。
- 为泛化生成指标并设置verbose值或将结果打印到输出屏幕。
Keras conv2D框架
在处理图像等二维输入时，我们可以利用Keras conv2D来表示这些层。它们的完美表现方式如下图所示
`(keras,n.d)`
Keras conv2D的类定义如下，显示了所有需要传递的参数:
Keras.layers.Conv2D (kernel initializer = glorot uniform, data format = None, strides = (1,1), dilation rate = (1,1), activity regularizer = None, bias regularizer = None, use bias = true, padding = valid, kernel size, filters, bias initializer = zeros, kernel regularizer = None, bias constraint = None, kernel constraint = None, activation = None)
这里使用的作为属性的各种参数在下表中有描述。
| 属性 | 描述 |
| 内核大小 | 一个容纳宽度和高度的像素数，被总结为指定宽度和高度的二维过滤器。 |
| 滤波器 | 这里代表了一些要被卷积层学习的过滤器。每一个单独的过滤器都在输入中滑动，以便在结果中创建特征图。 |
| 步伐 | 它帮助我们表示内核在作为输入的图像上的跳动方式。例如，当stride的值为1时，内核就会在输入的图像上逐个像素地移动，如果它是2，那么内核就会在输入的图像上跳过一个像素。 |
| 填充 | 当内核的过滤器不适合时，可以通过填充来提供指导。其中一种情况是当指定的图像高度和宽度与内核的大小和指定的stride值不匹配时。 |
| 数据格式 | 当我们把图像作为输入时，每个图像都对应于特定的通道，如RGB红绿蓝或类似的通道，其值可以是通道第一或通道最后。这些通道存在于最后一个或第一个是由数据格式表示的。最新版本的Keras不需要这个，因为他们支持TensorFlow。 |
| 扩张率 | 当使用的卷积是扩张型的，那么扩张率的规范可以在这个属性中完成。 |
| 激活函数 | 它以线性格式接收conv2D层的输入，以便将其转换为非线性。 |
| 偏置值 | 为每个层指定，用于垂直缩放所学的功能。没有指定时，默认值被设置为启用。 |
| 初始化器 | 约束、偏置和正则器的配置可以通过使用初始化器来完成。 |
Keras conv2D模型
为了在Keras中创建conv2D模型，我们需要有最新版本的Keras，因为它支持conv2D层。在你的系统上安装TensorFlow的第二版或更高版本是很方便的。你可以很容易地找到指导你安装Keras或TensorFlow的资源，只要你在谷歌上搜索或在educba网站本身搜索。还有一件事是，我们需要在你的系统上安装最新版本的python，比如使用Anaconda安装的版本。
在Keras中创建conv2D模型时，需要遵循一些原则，这些原则是:
- 输入的图像应该被conv2D的各层转换为抽象的表示。
- 密集连接层可用于生成图像表示中的分类。
- 请注意，密集层只能够处理一维的数据。如果我们有多维数据，我们首先需要通过最后一个conv2D层或使用flatten层将其转换为单维。
Keras conv2D模型配置
- 应设置批量大小。例如，如果它被设置为20，那么我们需要为每一个单独的步骤传递20个样本到模型。
- 应该指定通道的数量、宽度、高度或图像。
- 应该设置优化器和损失函数的值。
- 设置no_classes的值。例如，如果你的模型的数据集有15个类，那么no_classes应该被设置为15。
- 我们将需要指定迭代次数，即epochs的值，可以是任何符合我们要求的整数值。这是我们希望对我们的模型进行迭代训练的次数。
- 通过使用训练数据进行验证来检查模型是否过拟合，包括在每一次迭代后检查模型的性能。
- 为了在屏幕上显示输出，我们可以将模式verbosity的值设置为true或等值，如1。
下面的图片显示了我们创建的一个Keras conv2D模型的配置样本:
结论
Keras conv2D是二维模式的卷积层，并生成卷积核，然后与Keras模型的其他输入层绑定，得到张量的输出。
