卷积层

Conv1D

keras.layers.convolutional.Conv1D(
	filters(int),
	kernel_size(int),
	strides=1,
	padding='valid',
	dilation_rate=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
)

一维卷积层（即时域卷积）

• 说明

  • 用以在一维输入信号上进行邻域滤波
  • 作为首层时，需要提供关键字参数input_shape
  • 该层生成将输入信号与卷积核按照单一的空域（或时域） 方向进行卷积
  • 可以将Convolution1D看作Convolution2D的快捷版

• 参数

  • filters：卷积核的数目（即输出的维度）

  • kernel_size：整数或由单个整数构成的list/tuple， 卷积核的空域或时域窗长度

  • strides：整数或由单个整数构成的list/tuple，为卷积 步长

    • 任何不为1的strides均与任何不为1的dilation_rate 均不兼容

  • padding：补0策略

  • activation：激活函数

  • dilation_rate：整数或由单个整数构成的list/tuple， 指定dilated convolution中的膨胀比例

    • 任何不为1的dilation_rate均与任何不为1的strides 均不兼容

  • use_bias：布尔值，是否使用偏置项

  • kernel_initializer：权值初始化方法

    • 预定义初始化方法名的字符串
    • 用于初始化权重的初始化器（参考initializers）

  • bias_initializer：偏置初始化方法

    • 为预定义初始化方法名的字符串
    • 用于初始化偏置的初始化器

  • kernel_regularizer：施加在权重上的正则项，为 Regularizer对象

  • bias_regularizer：施加在偏置向量上的正则项

  • activity_regularizer：施加在输出上的正则项

  • kernel_constraints：施加在权重上的约束项

  • bias_constraints：施加在偏置上的约束项

• 输入：形如(batch, steps, input_dim)的3D张量

• 输出：形如(batch, new_steps, filters)的3D张量

  • 因为有向量填充的原因，steps的值会改变

Conv2D

keras.layers.convolutional.Conv2D(
	filters,
	kernel_size,
	strides=(1, 1),
	padding='valid',
	data_format=None,
	dilation_rate=(1, 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
)

二维卷积层，即对图像的空域卷积

• 说明

  • 该层对二维输入进行滑动窗卷积
  • 当使用该层作为第一层时，应提供

• 参数

  • filters：卷积核的数目（即输出的维度）

  • kernel_size：单个整数或由两个整数构成的list/tuple， 卷积核的宽度和长度

    • 如为单个整数，则表示在各个空间维度的相同长度

  • strides：单个整数或由两个整数构成的list/tuple， 卷积的步长

    • 如为单个整数，则表示在各个空间维度的相同步长
    • 任何不为1的strides均与任何不为1的dilation_rate 均不兼容

  • padding：补0策略

  • activation：激活函数

  • dilation_rate：单个或两个整数构成的list/tuple， 指定dilated convolution中的膨胀比例

    • 任何不为1的dilation_rate均与任何不为1的strides 均不兼容

• 输入：(batch, channels, rows, cols) （”channels_first”）4D张量

• 输出：(batch, filters, new_rows, new_cols) （”channels_first”）4D张量

  • 输出的行列数可能会因为填充方法而改变

SeparableConv2D

keras.layers.convolutional.SeparableConv2D(
	filters,
	kernel_size,
	strides=(1, 1),
	padding='valid',
	data_format=None,
	depth_multiplier=1,
	activation=None,
	use_bias=True,
	depthwise_initializer='glorot_uniform',
	pointwise_initializer='glorot_uniform',
	bias_initializer='zeros',
	depthwise_regularizer=None,
	pointwise_regularizer=None,
	bias_regularizer=None,
	activity_regularizer=None,
	depthwise_constraint=None,
	pointwise_constraint=None,
	bias_constraint=None
)

该层是在深度方向上的可分离卷积。

• 说明

  • 首先按深度方向进行卷积（对每个输入通道分别卷积）
  • 然后逐点卷积，将上步卷积结果混合到输出通道中
  • 直观来说，可分离卷积可以看做讲一个卷积核分解为两个小 卷积核，或看作Inception模块的一种极端情况

• 参数

  • depth_multiplier：按深度卷积的步骤中，每个输入通道 使用（产生）多少个输出通道

  • depthwise_regularizer：按深度卷积的权重上的正则项

  • pointwise_regularizer：按点卷积的权重上的正则项

  • depthwise_constraint：按深度卷积权重上的约束项

  • pointwise_constraint：在按点卷积权重的约束项

• 输入：(batch, channels, rows, cols)4DT （”channels_first”)

• 输出：(batch, filters, new_rows, new_cols)4DTK （”channels_first”）

  • 输出的行列数可能会因为填充方法而改变

Conv2DTranspose

keras.layers.convolutional.Conv2DTranspose(
	filters,
	kernel_size,
	strides=(1, 1),
	padding="valid",
	output_padding=None/int/tuple,
	data_format=None,
	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
)

该层是反卷积操作（转置卷积）

• 说明

  • 通常发生在用户想要对普通卷积的结果做反方向的变换
  • 参考文献
    • A guide to convolution arithmetic for deep learning
    • Transposed convolution arithmetic
    • Deconvolutional Networks

• 参数

  • output_padding：指定输出的长、宽padding
    • 必须小于相应的stride

• 输入：(batch, rows, cols, channels)4DT （”channels_last”)

• 输出：(batch, new_rows, new_cols, filters)4DT （”channels_last”）

  • 输出的行列数可能会因为填充方法而改变

Conv3D

keras.layers.convolutional.Conv3D(
	filters,
	kernel_size,
	strides=(1, 1, 1),
	padding='valid',
	data_format=None,
	dilation_rate=(1, 1, 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
)

三维卷积对三维的输入（视频）进行滑动窗卷积

• 输入：(batch, channels, conv_dim1, conv_dim2, conv_dim3) 5D张量（”channnels_first”）

Cropping1D

keras.layers.convolutional.Cropping1D(
	cropping=(1, 1)/tuple/int
)

在时间轴上对1D输入（即时间序列）进行裁剪

• 参数

  • cropping：指定在序列的首尾要裁剪掉多少个元素
    • 单值表示首尾裁剪相同

• 输入：(batch, axis_to_crop, features)的3DT

• 输出：(batch, cropped_axis, features)的3DT

Cropping2D

keras.layers.convolutional.Cropping2D(
	cropping=((0, 0), (0, 0)),
	data_format=None
)

对2D输入（图像）进行裁剪

• 说明

  • 将在空域维度，即宽和高的方向上裁剪

• 参数

  • cropping：长为2的整数tuple，分别为宽和高方向上头部 与尾部需要裁剪掉的元素数
    • 单值表示宽高、首尾相同
    • 单元组类似

• 输入：(batch, rows, cols, channels)4DT（”channels_last”）

• 输出：(batch, cropped_rows, cropped_cols, channels)

	# Crop the input 2D images or feature maps
model = Sequential()
model.add(Cropping2D(cropping=((2, 2), (4, 4)),
                     input_shape=(28, 28, 3)))
	# now model.output_shape == (None, 24, 20, 3)
model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Cropping2D(cropping=((2, 2), (2, 2))))
	# now model.output_shape == (None, 20, 16, 64)

Cropping3D

keras.layers.convolutional.Cropping3D(
	cropping=((1, 1), (1, 1), (1, 1)),
	data_format=None
)

对3D输入（空间、时空）进行裁剪

• 参数

  • cropping：长为3的整数tuple，分别为三个方向上头部 与尾部需要裁剪掉的元素数

• 输入：(batch, depth, first_axis_to_crop, second_axis_to_crop, third_axis_to_crop) （”channels_first”）

• 输出：(batch, depth, first_cropped_axis, second_cropped_axis, third_cropped_axis)

UpSampling1D

keras.layers.convolutional.UpSampling1D(
	size=2/integer
)

在时间轴上，将每个时间步重复size次

• 参数

  • size：轴上采样因子

• 输入：(batch, steps, features)的3D张量

• 输出：(batch, upsampled_steps, feature)的3D张量

UpSampling2D

keras.layers.convolutional.UpSampling2D(
	size=(2, 2)/tuple/int,
	data_format=None
)

将数据的行和列分别重复size[0]和size[1]次

• 参数

  • size：分别为行和列上采样因子

• 输入：(batch, channels, rows, cols)的4D张量 （”channels_first”）

• 输出：(batch, channels, upsampled_rows, upsampled_cols)

UpSampling3D

keras.layers.convolutional.UpSampling3D(
	size=(2, 2, 2)/tuple/int,
	data_format=None
)

将数据的三个维度上分别重复size次

• 说明

  • 本层目前只能在使用Theano为后端时可用

• 参数

  • size：代表在三个维度上的上采样因子

• 输入：(batch, dim1, dim2, dim3, channels)5DT （”channels_last”）

• 输出：(batch, upsampled_dim1, upsampled_dim2, upsampled_dim3, channels)

ZeroPadding1D

keras.layers.convolutional.ZeroPadding1D(
	padding=1/int
)

对1D输入的首尾端（如时域序列）填充0

• 说明

  • 以控制卷积以后向量的长度

• 参数

  • padding：整数，在axis 1起始和结束处填充0数目

• 输入：(batch, axis_to_pad, features)3DT

• 输出：(batch, paded_axis, features)3DT

ZeroPadding2D

keras.layers.convolutional.ZeroPadding2D(
	padding=(1, 1)/tuple/int,
	data_format=None
)

对2D输入（如图片）的边界填充0

• 说明

  • 以控制卷积以后特征图的大小

• 参数

  • padding：在要填充的轴的起始和结束处填充0的数目

ZeroPadding3D

keras.layers.convolutional.ZeroPadding3D(
	padding=(1, 1, 1),
	data_format=None
)

将数据的三个维度上填充0

• 说明
  • 本层目前只能在使用Theano为后端时可用

结束处填充0的数目

ZeroPadding3D

keras.layers.convolutional.ZeroPadding3D(
	padding=(1, 1, 1),
	data_format=None
)

将数据的三个维度上填充0

• 说明
  • 本层目前只能在使用Theano为后端时可用

?时可用