TF04——描述卷积计算层

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，如果这一层卷积后还有批标准化，不在这里进行激活
    input_shape=(高,宽,通道数) # 输入特征维度，可省略    
)

实例，描述了三层卷积计算，每层用一种表示形式，可以根据自己的习惯选择一种

model = tf.keras.models.Sequential([
    Conv2D(6,5,padding='valid',activation='sigmoid'),
 MaxPool2D(2,2),
 Conv2D(6,(5,5),padding='valid',activation='sigmoid'),
  MaxPool2D(2,(2,2)), 		    Conv2D(filters=6,kernel_size=(5,5),padding='valid',activation='sigmoid'),
 MaxPool2D(pool_size=(2,2),strides=2)
 Flatten(),
 Dense(10,activation='s')
])

标签：sigmoid,卷积,TF04,padding,步长,valid,activation,描述
来源： https://www.cnblogs.com/studyhao1999/p/16029887.html