关于Keras的Conv2D的部分参数的理解

filters:

卷积核(就是过滤器!)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(过滤器)的宽度和长度。(kernel n.核心,要点,[计]内核)
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,为卷积的步长
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_rata均不兼容

padding

补0策略,为"valid", "same" 。
"valid"不填充,eg:图像28*28,过滤器5*5,步长为5,最后三行三列舍弃,输出大小为:[(28-3-5)/5]+1=5,即输出图像是5*5的
代表只进行有效的卷积,即对边界数据不处理。
"same"填充,当滑动步长大于1时:填充数=K-I%S(K:卷积核边长,I:输入图像边长,S:滑动步长),
滑动步长为1时,填充数是卷积核边长减1,eg:5*5的图用3*3的核,步长为1时same填充之后是7*7
代表保留边界处的卷积结果,
通常会导致输出shape与输入shape相同,因为卷积核移动时在边缘会出现大小不够的情况。

你可能感兴趣的:(DeepLearning,Conv2D,Kreas,padding参数详解,CNN)