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)。
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:])