tf.keras.layers.Conv2D usage

Question

我是CNN和tensorflow的新手。自从阅读Geron的Hands-on TF书以来，已经有大约2天的时间了。如果有人能帮我，我将不胜感激。

目标：了解keras官方文档的方式和原因(https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv2D)使用CCD_ 1表示法。

问题：我写了两组代码。我理解了第一个，它对filters和kernel_size的数量使用了显式声明集。

TF和Python版本：

sys.version
Out: '3.7.9 (default, Aug 31 2020, 17:10:11) [MSC v.1916 64 bit (AMD64)]'
tf.__version__
Out: '2.3.0'

代码1:

import tensorflow as tf
input_shape = (4, 30, 60, 3) #Sample 30x60 images with RGB channel. `batch_size` = 4
a1=tf.keras.layers.Conv2D(filters=10,kernel_size=(3,3), input_shape=input_shape[1:])
a1(tf.random.normal(input_shape)).shape
a1.filters
a1.kernel_size
model = tf.keras.Sequential()
model.add(a1)
model.output_shape
model.summary()

输出：

Out[99]: TensorShape([4, 28, 58, 10]) #we are not using padding. So, the shape of tensor is 4 batch x 28x58 x 10 filters
Out[99]: 10 # number of filters
Out[99]: (3, 3) #kernel size 
Out[99]: (None, 28, 58, 10) #this is the feature map for one image
Model: "sequential_24"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_34 (Conv2D)           (None, 28, 58, 10)        280       
=================================================================
Total params: 280
Trainable params: 280
Non-trainable params: 0
_________________________________________________________________

我对以上输出很满意。我在上面添加了我的想法。

代码2:现在，根据上面的官方文档，我修改了上面的代码，没有明确提到kernel_size和filters。

a2=tf.keras.layers.Conv2D(10,3,3, input_shape=input_shape[1:]) #here's the change.
a2(tf.random.normal(input_shape)).shape
a2.filters
a2.kernel_size
model = tf.keras.Sequential()
model.add(a2)
model.output_shape
model.summary()

输出：

Out[100]: TensorShape([4, 10, 20, 10])
Out[100]: 10
Out[100]: (3, 3)
Out[100]: (None, 10, 20, 10)
Model: "sequential_25"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_35 (Conv2D)           (None, 10, 20, 10)        280       
=================================================================
Total params: 280
Trainable params: 280
Non-trainable params: 0
_________________________________________________________________

正如我们所看到的，唯一的区别是代码1使用Conv2D(filters=10,kernel_size=(3,3),...，而编码2则使用Conv2D(10,3,3,...。此外，CCD_ 8和CCD_ 9也是相同的。然而，Conv2D (m,n...)0完全不同。

为什么会这样？有人能解释一下吗？我在keras官方文件上找不到任何东西(https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv2D)。

Answer 1

当使用tf.keras.layers.Conv2D((时，您应该将第二个参数(kernel_size(作为元组(3, 3)传递，否则您将分配第二个值kernel_size=3，然后分配第三个参数，即步幅=3。通过使用3的步长，您可以看到一个input_shape，它是原始inputh形状的1/3，四舍五入到最接近的整数。

因此，将您的代码更改为：

a2=tf.keras.layers.Conv2D(10, (3,3), input_shape=input_shape[1:])