可以设置为具有自己的过滤器的param过滤器阵列,而不是Conv2D中的过滤器数量
filters = [[[1,0,0],[1,0,0],[1,0,0]],
[[1,0,0],[0,1,0],[0,0,1]],
[[0,1,0],[0,1,0],[0,1,0]],
[[0,0,1],[0,0,1],[0,0,1]]]
model = Sequential()
model.add(Conv2D(filters, (3, 3), activation='relu', input_shape=(3, 1024, 1024), data_format='channels_first'))
3 回答
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:
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,
哪个输出
正如所料 .
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 .