200813_tensorflow2---9、卷积神经网络就是CBAPD（杂）

200813_tensorflow2---9、卷积神经网络就是CBAPD（杂）

一、总结

一句话总结：

卷积就是特征提取器，就是C（卷积层）B（批标准化层）A（激活层）P（池化层）D（dropout层）

model=tf.keras.models.Sequential([
    Conv2D(filters=6,kernel_size=(5,5),padding='same'),#卷积层
    BatchNormalization(),#BN层
    Activation('relu'),#激活层
    MaxPoo12D(pool_size=(2,2),strides=2,padding='same'),#池化层
    Dropout(0.2),#dropout层
])

1、要使卷积核的通道数与输入特征图的通道数一致？

比如rgb三通道的图，可以使用3*3*3的卷积核或者5*5*3的卷积核

2、卷积神经网络中全零填充和非全零填充怎么表示？

全零填充：padding="SAME"

非全零填充：padding="VALID"

3、卷积层常用参数？

壹、filters=卷积核个数，

贰、kernel_size=卷积核尺寸，#正方形写核长整数，或（核高h，核宽w）

叁、strides=滑动步长，#横纵向相同写步长整数，或（纵向步长h，横向步长w），默认1

肆、padding="same"or"valid"，#使用全零填充是“same”，不使用是“valid”（默认）

tf.keras.layers.Conv2D(
    filters=卷积核个数，
    kernel_size=卷积核尺寸，#正方形写核长整数，或（核高h，核宽w）
    strides=滑动步长，#横纵向相同写步长整数，或（纵向步长h，横向步长w），默认1
    padding="same"or"valid"，#使用全零填充是“same”，不使用是“valid”（默认）
    activation="relu"or"sigmoid"or"tanh"or"softmax"等，#如有BN此处不写
    input_shape=（高，宽，通道数）#输入特征图维度，可省略
)

4、BN（批标准化）层位置和BN层作用？

BN层作用：对一小批数据（batch），使数据符合0均值，1为标准差的分布。

BN层位置：BN层加在卷积层和激活层之间

5、池化操作常用参数？

①、pool_size=池化核尺寸，#正方形写核长整数，或（核高h，核宽w）

②、strides=池化步长，#步长整数，或（纵向步长h，横向步长w），默认为pool size

③、padding="valid"or"same"#使用全零填充是"same"，不使用是"valid"（默认）

tf.keras.layers.MaxPool2D(
    pool_size=池化核尺寸，#正方形写核长整数，或（核高h，核宽w）
    strides=池化步长，#步长整数，或（纵向步长h，横向步长w），默认为pool size 
    padding="valid"or"same"#使用全零填充是"same"，不使用是"valid"（默认）
)

二、内容在总结中

博客对应课程的视频位置：