tf.keras.layers.Conv2D，tf.keras.layers.SimpleRNN()主要参数讲解

例如：

tf.keras.layers.Conv1D(
filters=128,                  # 卷积过滤器的数量,对应输出的维数
kernel_size=50,           # 整数,过滤器的大小,如果为一个整数则宽和高相同
strides=3, 		             # 横向和纵向的步长,如果为一个整数则横向和纵向相同
padding='same', 
activation=tf.nn.relu)
(input_ecg)               

一，tf.keras.layers.Conv2D（）主要参数讲解

代码：

from keras.layers import (Input, Reshape)
import tensorflow as tf
input = Input(shape=(600, 600, 3), batch_size=2)
x = tf.keras.layers.Conv2D(64, (1, 1), strides=(1, 1), name='conv1')(input)
print(x)

batch-size中文翻译是批量大小，所谓的批量是指学习样本的数量，因为在训练模型时需要将祥本图像全部读入到内存中，这么做的原因是提升收敛速度。
epochs：迭代的次数。
结果：

KerasTensor(type_spec=TensorSpec(
shape=(2, 600, 600, 64), dtype=tf.float32, name=None), name='conv1/BiasAdd:0', description="created by layer 'conv1'")

1.1 参数filter

神经网络的卷积核（convolutional kernel）
例如输入224x224x3（rgb三通道），要得到输出是32位深度，选取卷积核尺寸为5x5。那么我们需要32个卷积核**（不同的卷积核的矩阵参数不同）**，每一个的尺寸为5x5x3（最后的3就是原图的rgb位深3），每一个卷积核的每一层是5x5（共3层）分别与原图的每层224x224卷积，然后将得到的三张新图叠加（算术求和），变成一张新的feature map。 每一个卷积核都这样操作，就可以得到32张新的feature map了。 也就是说：不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。不同的filter可以卷积得到不同的特征，也就是得到不同的feature map。。。

1.2 输入，输出矩阵格式

输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数
输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
      卷积核的输入通道数（in depth）由输入矩阵的通道数所决定。
      输出矩阵的通道数（out depth）由卷积核的输出通道数所决定。
      输出矩阵的高度和宽度（height, width）这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。

二，tf.keras.layers.SimpleRNN()主要参数：

2.1记忆体

import tensorflow as tf
import keras
from keras import Sequential
from keras.layers import SimpleRNN
model=Sequential()
model.add(SimpleRNN(3,input_shape=(None,4),activation='relu'))
model.summary()
U=model.get_weights()[0] #输入层和循环层之间的权重，维度为（5*4）
W=model.get_weights()[1]  #循环层与循环层之间的权重，维度为（3*3）
bias=model.get_weights()[2] #隐藏层的偏置项，3个

记忆体的个数就是：【-0.9，0.2，0.2】（个人看法）

每个循环核有多个记忆体，记忆体内存储着每个时刻的状态信息ℎ
我们可以设定记忆体的个数从而改变记忆容量，当记忆体个数被指定、输入，输出维度被指定，周围这些待训练参数的维度也就被限定了