关于
函数的官方文档，然后逐一对每个参数的含义和用法进行解释：
tf.keras.layers.Conv2D(filters,
kernel_size,
strides=(1, 1),
padding='valid',
data_format=None,
dilation_rate=(1, 1),
groups=1,
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
**kwargs)
参数说明：
这个函数的定义能看出来，filters ，kernel_size过滤器个数和卷积核尺寸，这是两个位置参数，没有默认值，必须给。后面的那个多参数，都是关键字参数（有等于号的），都是有默认值的，可以不写，下面来逐一分析每个参数的含义：
这是第一个参数，位置是固定的，含义是过滤器个数，或者叫 卷积核个数，这个与卷积后的输出通道数一样，比如下面filters为64的时候，卷积输出的通道数（最后一位）就是64。
model.add(tf.keras.layers.Conv2D(64, 3,
kernel_initializer='he_normal',
strides=1,
activation='relu',
padding='same',
input_shape=(32, 32, 3),
name="conv1"))
filters卷积核个数为64的时候，输出的通道数就是64。
卷积核尺寸，一般为3×3，或者5×5，此处用2个整数的元组或列表表示，比如（3,3），[5,5],如果height, width长宽一样，直接用一个整数表示就行，比如3或者5。
默认横向和纵向滑动均为1，这个与上面的 卷积核size配合使用，用来计算输出的形状。滑动步长就是卷积核在原图像矩阵上的每次移动的长度。
此处只有两个取值，另一个取值为 “same”，表示边缘用0填充，如果padding =”same”，则输出的形状为 height =width = P/strides ，向上取整。
model.add(tf.keras.layers.Conv2D(64, 3,
strides=1,
activation='relu',
padding='same',
kernel_initializer='he_normal',
input_shape=(32, 32, 3),
name="conv1"))
此处只有两个取值 ，”channels_first” 和 “channels_last”，即输入的数据格式中，通道数是第一个还是最后一个，默认为 “channels_last”，即默认输入数据的格式中，通道数为最后一个。
将卷积核进行形状膨胀，新的位置用0填充，新卷积核的尺寸和膨胀系数的计算公式如下：
原卷积核的尺寸为S ，膨胀系数为k，则膨胀后的卷积核尺寸为:
size = k×（S-1）+1
相当于经过卷积输出后，在经过一次激活函数，常见的激活函数有relu，softmax，selu，等
此处取值为布尔值，0或者1,0表示没有增加bias，1表示有。
kernel_initializer ：卷积核初始化，
bias_initializer ：偏差值初始化，
kernel_regularizer ：卷积核正则化
bias_regularizer ：偏差正则化
activity_regularizer 这个地方也是一个正则化
kernel_constraint ：卷积核约束
bias_constraint ：偏差约束。
这个是指输入的形状，一般是4D的，（batch size, height, width, channels），也可以不定义，那就是默认输入的形状。
Original: https://blog.csdn.net/weixin_43529465/article/details/124721583
Author: 量化Mike
Title: 【TensorFlow2.0】高级API中关于tf.keras.layers.Conv2D()函数的参数详细说明(建议保存）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/520887/
转载文章受原作者版权保护。转载请注明原作者出处！