tf.keras.layers.Conv2D 用法答案

【问题标题】：tf.keras.layers.Conv2D usagetf.keras.layers.Conv2D 用法
【发布时间】：2020-12-23 00:03:01
【问题描述】：

我是 CNN 和 TensorFlow 的新手。自从阅读 Geron 的 Hands-on TF 书以来，已经过去了大约 2 天。如果有人可以帮助我，我将不胜感激。

目标：了解 keras 官方文档 (https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv2D) 如何以及为何使用 Conv2D (m,n...) 表示法。

问题：我写了两组代码。我理解第一个，它使用明确的声明集来表示 filters 和 kernel_size 的数量。

TF 和 Python 版本：

sys.version
Out: '3.7.9 (default, Aug 31 2020, 17:10:11) [MSC v.1916 64 bit (AMD64)]'
tf.__version__
Out: '2.3.0'

代码 1：

import tensorflow as tf

input_shape = (4, 30, 60, 3) #Sample 30x60 images with RGB channel. `batch_size` = 4

a1=tf.keras.layers.Conv2D(filters=10,kernel_size=(3,3), input_shape=input_shape[1:])
a1(tf.random.normal(input_shape)).shape
a1.filters
a1.kernel_size

model = tf.keras.Sequential()
model.add(a1)
model.output_shape
model.summary()

输出：

Out[99]: TensorShape([4, 28, 58, 10]) #we are not using padding. So, the shape of tensor is 4 batch x 28x58 x 10 filters
Out[99]: 10 # number of filters
Out[99]: (3, 3) #kernel size 
Out[99]: (None, 28, 58, 10) #this is the feature map for one image
Model: "sequential_24"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_34 (Conv2D)           (None, 28, 58, 10)        280       
=================================================================
Total params: 280
Trainable params: 280
Non-trainable params: 0
_________________________________________________________________

我对上面的输出很满意。我已经在上面添加了我的想法。

代码 2： 现在，我根据上面的官方文档修改了上面的代码，没有明确提及kernel_size 和filters。

a2=tf.keras.layers.Conv2D(10,3,3, input_shape=input_shape[1:]) #here's the change.
a2(tf.random.normal(input_shape)).shape
a2.filters
a2.kernel_size

model = tf.keras.Sequential()
model.add(a2)
model.output_shape
model.summary()

输出：

Out[100]: TensorShape([4, 10, 20, 10])
Out[100]: 10
Out[100]: (3, 3)
Out[100]: (None, 10, 20, 10)
Model: "sequential_25"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_35 (Conv2D)           (None, 10, 20, 10)        280       
=================================================================
Total params: 280
Trainable params: 280
Non-trainable params: 0
_________________________________________________________________

正如我们所见，唯一的区别是 代码 1 使用 Conv2D(filters=10,kernel_size=(3,3),... 而 代码 2 使用 Conv2D(10,3,3,...。而且filters和kernel_size也是一样的。但是，output_shape 完全不同。

这是为什么？有人可以解释一下吗？我在 keras 官方文档 (https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv2D) 上找不到任何内容。

【问题讨论】：

标签： python tensorflow machine-learning keras conv-neural-network

【解决方案1】：

使用 tf.keras.layers.Conv2D() 时，您应该将第二个参数 (kernel_size) 作为元组 (3, 3) 传递，否则您将分配第二个参数 kernel_size=3，然后分配第三个参数 stride=3 .通过使用 3 的步幅，您会看到一个 input_shape，它是原始 inputh 形状的 1/3，四舍五入到最接近的整数。

所以，将您的代码更改为：

a2=tf.keras.layers.Conv2D(10, (3,3), input_shape=input_shape[1:])

【讨论】：