详解Keras3.0 Layers API: Convolution layers（Conv1D、Conv2D、Conv3D）

1、Conv1D layer

通常对一维度数组（例：arr = np.array([1, 2, 3, 4, 5])）进行卷积操作

keras.layers.Conv1D(
    filters,
    kernel_size,
    strides=1,
    padding="valid",
    data_format=None,
    dilation_rate=1,
    groups=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,
    **kwargs
)

参数说明

• filters:?输出空间的维度，即卷积核的数量
• kernel_size：卷积核的大小，可以是一个整数或一个整数元组
• strides：卷积步长，默认为1
• padding：填充方式，可以是"valid"（不填充）或"same"（填充以保持输入和输出的尺寸相同）
• data_format：数据格式，可以是"channels_first"（通道在前）或"channels_last"（通道在后），默认为None，将根据后端自动确定
• dilation_rate：空洞卷积的扩张率，定义卷积核中间的位置与周围位置的间隔大小默认为1
• groups：分组卷积的组数，默认为1
• activation：激活函数，默认为None
• use_bias：是否使用偏置项，默认为True
• kernel_initializer：卷积核权重的初始化方法，默认为"glorot_uniform"
• bias_initializer：偏置项的初始化方法，默认为"zeros"
• kernel_regularizer：卷积核权重的正则化器，默认为None
• bias_regularizer： 偏置项的正则化器，默认为None
• activity_regularizer：输出的正则化器，默认为None
• kernel_constraint：卷积核权重的约束条件，默认为None
• bias_constraint：偏置项的约束条件，默认为None
• **kwargs ：其他关键字参数

示例

#创建一个形状为(4, 10, 128)的随机数组作为输入数据
x = np.random.rand(4, 10, 128)

#使用Conv1D层进行卷积操作，32表示输出通道数，即卷积后的特征图数量；3表示卷积核的大小，即卷积核的高度为3。激活函数选择为ReLU
y = keras.layers.Conv1D(32, 3, activation='relu')(x)

print(y.shape)
(4, 8, 32)

2、?Conv2D layer

通常对二维度数组（例：arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])）进行卷积操作

keras.layers.Conv2D(
    filters,
    kernel_size,
    strides=(1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1),
    groups=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,
    **kwargs
)

参数说明?

对于Conv2D主要用于处理二维平面数据，其参数与Conv1D的略有不同。如：

• kernel_size：表示卷积核的大小，可以是单个整数或一个元组/列表。对于一维卷积，它表示卷积核的高度；对于二维卷积，它表示卷积核的高度、宽度。
• strides：表示卷积操作的步长，可以是单个整数或一个元组/列表。对于一维卷积，它表示卷积核在输入数据上移动的距离；对于二维卷积，它表示卷积核在每个维度上移动的距离。
• padding：表示输入数据周围填充的值，可以是"valid"（不进行填充）、"same"（使用相同的填充值）或其他字符串。对于一维卷积，填充应用于输入序列的两侧；对于二维卷积，填充应用于输入数据的每个维度的两侧。
• dilation_rate：是用于定义卷积核中间的位置与周围位置的间隔大小，主要影响了特征图的大小和感受野的范围，对于二维卷积，它表示卷积核在每个维度上间隔的大小。

示例

#创建一个形状为(4, 10, 10, 128)的随机数组作为输入数据
x = np.random.rand(4, 10, 10, 128)

#使用Conv2D层进行卷积操作，输出通道数为32，卷积核大小为3x3，激活函数为ReLU
y = keras.layers.Conv2D(32, 3, activation='relu')(x)

print(y.shape)
(4, 8, 8, 32)

?3、Conv3D layer

通常对二维度数组（例：np.array([[[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[10, 11, 12], [13, 14, 15], [16, 17, 18]]])）进行卷积操作

keras.layers.Conv3D(
    filters,
    kernel_size,
    strides=(1, 1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1, 1),
    groups=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,
    **kwargs
)

参数说明?

对于Conv3D主要用于处理三维数据，其参数与Conv1D的略有不同。如：

• kernel_size：表示卷积核的大小，可以是单个整数或一个元组/列表。对于一维卷积，它表示卷积核的高度；对于三维卷积，它表示卷积核的高度、宽度、深度。
• strides：表示卷积操作的步长，可以是单个整数或一个元组/列表。对于一维卷积，它表示卷积核在输入数据上移动的距离；对于三维卷积，它表示卷积核在每个维度上移动的距离。
• padding：表示输入数据周围填充的值，可以是"valid"（不进行填充）、"same"（使用相同的填充值）或其他字符串。对于一维卷积，填充应用于输入序列的两侧；对于三维卷积，填充应用于输入数据的每个维度的两侧。
• dilation_rate：是用于定义卷积核中间的位置与周围位置的间隔大小，主要影响了特征图的大小和感受野的范围，对于三维卷积，它表示卷积核在每个维度上间隔的大小。

?示例

#生成一个形状为(4, 10, 10, 10, 128)的随机张量
#其中4表示批次大小，10、10和10分别表示每个3D张量的深度、高度和宽度
#128表示每个3D张量的通道数
x = np.random.rand(4, 10, 10, 10, 128)

#创建一个3D卷积层，该层具有32个输出通道（即卷积核的数量）
#每个卷积核的大小为3x3x3，激活函数为ReLU
#这个卷积层被应用到输入张量x上，得到输出张量y
y = keras.layers.Conv3D(32, 3, activation='relu')(x)

print(y.shape)
(4, 8, 8, 8, 32)