卷積層
創建卷積層
首先導入keras中的模塊
from keras.layers import Conv2D
卷積層的格式及參數：
Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)
filters: 過濾器數量
kernel_size：指定卷積窗口的高和寬的數字
strides: 卷積stride，如果不指定任何值，則strides設爲1
padding: 選項包括’valid’和’same’，默認值爲’valid’
activation: 通常爲’relu’，如果不指定任何值，則不應用任何激活函數，通常應該向網絡中每個卷積層添加一個Relu激活函數
如果卷積層出現在輸入層之後，必須提供另一個input_shape參數：
input_shape: 指定輸入的高度、寬度和深度的元組；如果卷積層不是網絡的第一個層級，則不應該包含input_shape參數。
示例1：
假設我要構建一個 CNN，輸入層接受的是 200 x 200 像素（對應於高 200、寬 200、深 1 的三維數組）的灰度圖片。然後，假設我希望下一層級是卷積層，具有 16 個過濾器，每個寬和高分別爲 2。在進行卷積操作時，我希望過濾器每次跳轉 2 個像素。並且，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
假設我希望 CNN 的下一層級是卷積層，並將示例 1 中構建的層級作爲輸入。假設新層級是 32 個過濾器，每個的寬和高都是 3。在進行卷積操作時，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域，因此不介意過濾器在進行卷積操作時是否超過上一層級的邊緣。然後，要構建此層級，我將使用以下代碼：
Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')
卷積層中的參數數量
卷積層中的參數數量取決於filters, kernel_size, input_shape的值
K: 卷積層中的過濾器數量， 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元組中的最後一個值
卷積層中的參數數量計算公式爲：K * F * F * D_in + K
卷積層的形狀
卷積層的形狀取決於kernal_size, input_shape, padding, stride的值
K: 卷積層中的過濾器數量，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
卷積層的深度始終爲過濾器數量K
如果padding=‘same’, 那麼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’, 那麼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()
池化層
keras中的最大池化層
創建池化層，首先導入keras中的模塊
from keras.layers import MaxPooling2D
然後用以下形式創建池化層
MaxPooling2D(pool_size, strides, padding)
參數
pool_size：指定池化窗口高度和寬度的數字
strides：垂直和水平stride，默認參數爲pool_size
padding：選項包括’valid’和’same’，默認參數爲’valid’
示例：
假設我要構建一個 CNN，並且我想通過在卷積層後面添加最大池化層，降低卷積層的維度。假設卷積層的大小是 (100, 100, 15)，我希望最大池化層的大小爲 (50, 50, 15)。要實現這一點，我可以在最大池化層中使用 2x2 窗口，stride 設爲 2，代碼如下：
MaxPooling2D(pool_size=2, strides=2)
如果你想將 stride 設爲 1，但是窗口大小依然保留爲 2x2，則使用以下代碼：
MaxPooling2D(pool_size=2, strides=1)
可以使用如下形式檢測最大池化層的維度:
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()