轉自：https://keras-cn.readthedocs.io/en/latest/layers/convolutional_layer/

https://keras-cn.readthedocs.io/en/latest/layers/pooling_layer/

1.con1D

keras.layers.convolutional.Conv1D(filters, kernel_size, 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)

一維卷積層（即時域卷積），用以在一維輸入信號上進行鄰域濾波。當使用該層作為首層時，需要提供關鍵字參數input_shape。例如(10,128)代表一個長為10的序列，序列中每個信號為128向量。而(None, 128)代表變長的128維向量序列。

該層生成將輸入信號與卷積核按照單一的空域（或時域）方向進行卷積。如果use_bias=True，則還會加上一個偏置項，若activation不為None，則輸出為經過激活函數的輸出。

常用：

• filters：卷積核的數目（即輸出的維度）

• kernel_size：整數或由單個整數構成的list/tuple，卷積核的空域或時域窗長度

• strides：整數或由單個整數構成的list/tuple，為卷積的步長。任何不為1的strides均與任何不為1的dilation_rate均不兼容

• padding：補0策略，為“valid”, “same”?
• activation：激活函數，為預定義的激活函數名。如果不指定該參數，將不會使用任何激活函數
• use_bias:布爾值，是否使用偏置項
• kernel_regularizer：施加在權重上的正則項

*可以將Convolution1D看作Convolution2D的快捷版，對例子中（10，32）的信號進行1D卷積相當于對其進行卷積核為（filter_length, 32）的2D卷積。?

//以上這一句涉及到在1D的情況下的卷積計算過程。

2.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)

?

二維卷積層，即對圖像的空域卷積。該層對二維輸入進行滑動窗卷積，當使用該層作為第一層時，應提供input_shape參數。例如input_shape = (128,128,3)代表128*128的彩色RGB圖像（data_format='channels_last'）

//1D多用來對序列數據處理，比如自然語言和語音。2D多用來做圖像。

• filters：卷積核的數目（即輸出的維度）

• kernel_size：單個整數或由兩個整數構成的list/tuple，卷積核的寬度和長度。如為單個整數，則表示在各個空間維度的相同長度。

• strides：單個整數或由兩個整數構成的list/tuple，為卷積的步長。如為單個整數，則表示在各個空間維度的相同步長。任何不為1的strides均與任何不為1的dilation_rate均不兼容

• padding：補0策略，為“valid”, “same” 。“valid”代表只進行有效的卷積，即對邊界數據不處理。“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。

• activation：激活函數，為預定義的激活函數名（參考激活函數），或逐元素（element-wise）的Theano函數。如果不指定該參數，將不會使用任何激活函數（即使用線性激活函數：a(x)=x）

• data_format：字符串，“channels_first”或“channels_last”之一，代表圖像的通道維的位置。該參數是Keras 1.x中的image_dim_ordering，“channels_last”對應原本的“tf”，“channels_first”對應原本的“th”。以128x128的RGB圖像為例，“channels_first”應將數據組織為（3,128,128），而“channels_last”應將數據組織為（128,128,3）。該參數的默認值是~/.keras/keras.json中設置的值，若從未設置過，則為“channels_last”。

3.最大池化1D層

keras.layers.pooling.MaxPooling1D(pool_size=2, strides=None, padding='valid')

?

• pool_size：整數，池化窗口大小

• strides：整數或None，下采樣因子，例如設2將會使得輸出shape為輸入的一半，若為None則默認值為pool_size。

• padding：‘valid’或者‘same’

4.最大池化2D層

keras.layers.pooling.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid', data_format=None)

?

• pool_size：整數或長為2的整數tuple，代表在兩個方向（豎直，水平）上的下采樣因子，如取（2，2）將使圖片在兩個維度上均變為原長的一半。為整數意為各個維度值相同且為該數字。

• strides：整數或長為2的整數tuple，或者None，步長值。

• border_mode：‘valid’或者‘same’

5.flatten展平

keras.layers.Flatten(data_format=None)

data_format：一個字符串，其值為?channels_last（默認值）或者?channels_first。

model = Sequential()
model.add(Conv2D(64, (3, 3),input_shape=(3, 32, 32), padding='same',))
# 現在：model.output_shape == (None, 64, 32, 32)

model.add(Flatten())
# 現在：model.output_shape == (None, 65536)

?

//給的這個例子輸入維度中第一維是通道。

?6.Input

keras.engine.input_layer.Input()

• shape: 一個尺寸元組（整數），不包含批量大小。 例如，shape=(32,)?表明期望的輸入是按批次的 32 維向量。
• batch_shape: 一個尺寸元組（整數），包含批量大小。 例如，batch_shape=(10, 32)?表明期望的輸入是 10 個 32 維向量。?batch_shape=(None, 32)?表明任意批次大小的 32 維向量。
• name: 一個可選的層的名稱的字符串。 在一個模型中應該是唯一的（不可以重用一個名字兩次）。 如未提供，將自動生成。
• dtype: 輸入所期望的數據類型，字符串表示 (float32,?float64,?int32...)
• sparse: 一個布爾值，指明需要創建的占位符是否是稀疏的。
• tensor: 可選的可封裝到?Input?層的現有張量。 如果設定了，那么這個層將不會創建占位符張量。

?

轉載于:https://www.cnblogs.com/BlueBlueSea/p/11058421.html

總結

以上是生活随笔為你收集整理的Keras卷积+池化层学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。