Keras Conv2d拥有过滤器

3 回答

• -1

  您必须记住，Conv2D网络的目的是训练这些过滤器值 . 我的意思是，在使用形态滤波器的传统图像处理任务中，我们应该设计滤波器内核，然后在整个图像（卷积）中迭代它们 .

  在深度学习方法中，我们正在尝试执行相同的任务 . 但在这里我们假设我们不知道应该使用哪些过滤器，尽管我们确切地知道我们正在寻找什么（带标签的图像） . 当我们训练卷积神经网络时，我们向它展示我们想要的东西并要求它找出它自己的权重，即滤波器值 .

  因此，在这种情况下，我们应该定义我们想要训练的过滤器数量（在您的情况下，4个过滤器）以及它们将如何初始化 . 在训练网络时将设置它们的权重 .

  有许多方法可以初始化滤镜权重（例如，将它们全部设置为零或一个;或使用随机函数来保证它们可以捕获不同的图像特征） . Keras Conv2D函数默认使用'glorot uniform'算法，如https://keras.io/layers/convolutional/#conv2d中所述 .

  如果你真的想以你展示的方式初始化过滤器权重，你可以编写自己的函数（看看https://keras.io/initializers/）并通过kernel_initializer参数传递它：

  model.add(Conv2D(number_of_filters, (3, 3), activation='relu', input_shape=(3, 1024, 1024), kernel_initializer=your_function, data_format='channels_first'))
  

  回复于 2024-05-12T19:29:01+08:00
• 0

  接受的答案是正确的，但对于一个完整的例子肯定会更有用，类似于this优秀张量流示例中提供的那个，显示了Conv2d的作用 .

  对于keras，这是，

  from keras.models import Sequential
  from keras.layers import Conv2D
  
  import numpy as np
  
  # Keras version of this example:
  # https://stackoverflow.com/questions/34619177/what-does-tf-nn-conv2d-do-in-tensorflow
  # Requires a custom kernel initialise to set to value from example
  # kernel = [[1,0,1],[2,1,0],[0,0,1]]
  # image = [[4,3,1,0],[2,1,0,1],[1,2,4,1],[3,1,0,2]]
  # output = [[14, 6],[6,12]] 
  
  #Set Image
  image = [[4,3,1,0],[2,1,0,1],[1,2,4,1],[3,1,0,2]]
  
  # Pad to "channels_last" format 
  # which is [batch, width, height, channels]=[1,4,4,1]
  image = np.expand_dims(np.expand_dims(np.array(image),2),0)
  
  #Initialise to set kernel to required value
  def kernel_init(shape):
      kernel = np.zeros(shape)
      kernel[:,:,0,0] = np.array([[1,0,1],[2,1,0],[0,0,1]])
      return kernel
  
  #Build Keras model
  model = Sequential()
  model.add(Conv2D(1, [3,3], kernel_initializer=kernel_init, 
                   input_shape=(4,4,1), padding="valid"))
  model.build()
  
  # To apply existing filter, we use predict with no training
  out = model.predict(image)
  print(out[0,:,:,0])
  

  哪个输出

  [[14, 6]
   [6, 12]]
  

  正如所料 .

  回复于 2024-05-12T19:29:01+08:00
• 4

  由于 the purpose of the convolutional layer is to find the right filters for you 通过训练，在卷积层上使用自己的过滤器是没有意义的 .

  如果你发现自己处于这种情况，那么很可能是 you don't need a convolutional layer at all . 这就像试图手动驾驶自动驾驶汽车一样 .

  只需将您想要的任何滤镜应用于图像，然后使用 Flatten() 图层将图像提供给MLP .

  回复于 2024-05-12T19:29:01+08:00