卷積層過濾器和池化層

主講教師：楊國華無錫商業(yè)職業(yè)技術學院數據科學與機器學習卷積層、過濾器、池化層過濾器卷積層池化層小結01020304卷積層卷積層：用于特征提取，由一定數量的卷積核（或稱過濾器）構成。因為卷積層的filter數量可以自定義，對于參數filter的個數是屬于超參數，而特征圖featuremap是通過卷積變換提取到的圖像特征，因此3個filter可以提取RGB3個通道的特征圖。所以假設有n個卷積核，則經過卷積后的輸出的特征圖有n個。如圖2-8可知，一張像素值為28×28，灰度是1圖片輸入，如果使用了3個5×5卷積核進行運算，則會輸出3個24×24的特征輸出。過濾器/卷積核以窗口方式在輸入圖像上從左到右移動，每次移動一格，步長為1。卷積核（kernel），單個浮點數矩陣。而在深度學習的定義當中，特征圖（FeatureMap）是卷積核輸出的一幅修改后的圖像。卷積層-padding每次卷積，圖像都縮小，這樣卷不了幾次就沒了；-相比于圖片中間的點，圖片邊緣的點在卷積中被計算的次數很少。為了解決這個問題，我們可以采用padding的方法。我們每次卷積前，先給圖片周圍都補一圈空白（即數0），讓卷積之后圖片跟原來一樣大，同時，原來的邊緣也被計算了更多次。卷積層-步幅Stride步幅Stride是卷積算法中卷積核移動的方格長度，不同的步長對于卷積出來下一個圖層大小也不一樣。使用的是3×3的卷積核對輸入5×5的輸入圖層進行卷積操作，也是不使用padding填充操作，卷積核的移動步幅為2，所以最終輸出的卷積后的圖層也是為2×2的像素值大小。使用3×3的卷積核對4×4的輸入圖層進行卷積操作，不使用padding填充零，卷積核的移動步伐stride為1，所以經過卷積后的輸出圖層為2×2。池化層將卷積網絡預處理的的圖層再進行特征選擇。池化層又可以分為Maxpooling最大值池化層和avgpooling均值池化層。池化層的最主要的作用是下采樣，其中最大值池化層將對應的方格里面的值取最大值，均值池化層則使用對方格里面的值取平均值到下一圖層。最大池化卷積層的定義使用kears定義卷積層keras.layers.Conv2D( filters, kernel_size, strides=(1,1), padding=‘valid’, activation=None……)ilters：卷積核的數量，決定輸出數據的最后一維(channels)的大小。kernel_size：卷積核的大?。ㄐ螤睿瑳Q定輸出數據height,width維度的大小。strides：卷積操作時步長，可以是一個整數代表height,width方向的步長相同，也可以是（x,y）表示height方向的步長為x,width方向的步長為y。padding：等于’valid’時卷積核在輸入數據形狀（height,width）最大范圍內進行移動，等于’same’時如果（height,width）沒有恰好完全符合設定的kernel_size和strides，超出的部分將會填充0.activation：激活函數池化層的定義使用kears定義池化層keras.layers.MaxPooling1D(pool_size=2,strides=None,padding='valid',data_format='channels_last’)pool_size:整數，最大池化的窗口大小。strides:整數，或者是None。作為縮小比例的因數。例如，2會使得輸入張量縮小一半。如果是None，那么默認值是pool_size。padding:"valid"或者"same"（區(qū)分大小寫）。data_format:字符串，channels_last(默認)或channels_first之一。表示輸入各維度的順序。channels_last對應輸入尺寸為(batch,steps,features)，c