主講教師：楊國(guó)華無錫商業(yè)職業(yè)技術(shù)學(xué)院數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)卷積層、過濾器、池化層過濾器卷積層池化層小結(jié)01020304卷積層卷積層：用于特征提取，由一定數(shù)量的卷積核（或稱過濾器）構(gòu)成。因?yàn)榫矸e層的filter數(shù)量可以自定義，對(duì)于參數(shù)filter的個(gè)數(shù)是屬于超參數(shù)，而特征圖featuremap是通過卷積變換提取到的圖像特征，因此3個(gè)filter可以提取RGB3個(gè)通道的特征圖。所以假設(shè)有n個(gè)卷積核，則經(jīng)過卷積后的輸出的特征圖有n個(gè)。如圖2-8可知，一張像素值為28×28，灰度是1圖片輸入，如果使用了3個(gè)5×5卷積核進(jìn)行運(yùn)算，則會(huì)輸出3個(gè)24×24的特征輸出。過濾器/卷積核以窗口方式在輸入圖像上從左到右移動(dòng)，每次移動(dòng)一格，步長(zhǎng)為1。卷積核（kernel），單個(gè)浮點(diǎn)數(shù)矩陣。而在深度學(xué)習(xí)的定義當(dāng)中，特征圖（FeatureMap）是卷積核輸出的一幅修改后的圖像。卷積層-padding每次卷積，圖像都縮小，這樣卷不了幾次就沒了；-相比于圖片中間的點(diǎn)，圖片邊緣的點(diǎn)在卷積中被計(jì)算的次數(shù)很少。為了解決這個(gè)問題，我們可以采用padding的方法。我們每次卷積前，先給圖片周圍都補(bǔ)一圈空白（即數(shù)0），讓卷積之后圖片跟原來一樣大，同時(shí)，原來的邊緣也被計(jì)算了更多次。卷積層-步幅Stride步幅Stride是卷積算法中卷積核移動(dòng)的方格長(zhǎng)度，不同的步長(zhǎng)對(duì)于卷積出來下一個(gè)圖層大小也不一樣。使用的是3×3的卷積核對(duì)輸入5×5的輸入圖層進(jìn)行卷積操作，也是不使用padding填充操作，卷積核的移動(dòng)步幅為2，所以最終輸出的卷積后的圖層也是為2×2的像素值大小。使用3×3的卷積核對(duì)4×4的輸入圖層進(jìn)行卷積操作，不使用padding填充零，卷積核的移動(dòng)步伐stride為1，所以經(jīng)過卷積后的輸出圖層為2×2。池化層將卷積網(wǎng)絡(luò)預(yù)處理的的圖層再進(jìn)行特征選擇。池化層又可以分為Maxpooling最大值池化層和avgpooling均值池化層。池化層的最主要的作用是下采樣，其中最大值池化層將對(duì)應(yīng)的方格里面的值取最大值，均值池化層則使用對(duì)方格里面的值取平均值到下一圖層。最大池化卷積層的定義使用kears定義卷積層keras.layers.Conv2D( filters, kernel_size, strides=(1,1), padding=‘valid’, activation=None……)ilters：卷積核的數(shù)量，決定輸出數(shù)據(jù)的最后一維(channels)的大小。kernel_size：卷積核的大?。ㄐ螤睿瑳Q定輸出數(shù)據(jù)height,width維度的大小。strides：卷積操作時(shí)步長(zhǎng)，可以是一個(gè)整數(shù)代表height,width方向的步長(zhǎng)相同，也可以是（x,y）表示height方向的步長(zhǎng)為x,width方向的步長(zhǎng)為y。padding：等于’valid’時(shí)卷積核在輸入數(shù)據(jù)形狀（height,width）最大范圍內(nèi)進(jìn)行移動(dòng)，等于’same’時(shí)如果（height,width）沒有恰好完全符合設(shè)定的kernel_size和strides，超出的部分將會(huì)填充0.activation：激活函數(shù)池化層的定義使用kears定義池化層keras.layers.MaxPooling1D(pool_size=2,strides=None,padding='valid',data_format='channels_last’)pool_size:整數(shù)，最大池化的窗口大小。strides:整數(shù)，或者是None。作為縮小比例的因數(shù)。例如，2會(huì)使得輸入張量縮小一半。如果是None，那么默認(rèn)值是pool_size。padding:"valid"或者"same"（區(qū)分大小寫）。data_format:字符串，channels_last(默認(rèn))或channels_first之一。表示輸入各維度的順序。channels_last對(duì)應(yīng)輸入尺寸為(batch,steps,features)，c