Question

可以设置为具有自己的过滤器的param过滤器数组，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'))

Answer 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;或者使用随机函数来保证它们可以捕获不同的图像特征）。 Keras Conv2D功能默认使用＆＃39; glorot uniform ＆＃39;算法，如https://keras.io/layers/convolutional/#conv2d中所述。

如果您真的想以您展示的方式初始化过滤器权重，您可以编写自己的函数（查看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'))

Answer 2

可接受的答案是正确的，但是对于一个完整的示例，它肯定会更有用，类似于this出色的tensorflow示例中提供的示例，该示例显示了Conv2d的功能。

对于喀拉拉邦，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])

输出

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

符合预期。

Answer 3

在卷积层上使用自己的过滤器是没有意义的，因为卷积层的目的是通过训练为您找到合适的过滤器。

如果您发现自己处于这种情况，很可能根本不需要卷积层。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，然后使用展平（）图层将图像反馈到MLP。

Keras Conv2d拥有过滤器

3 个答案: