标签：sigmoid 卷积 TF04 padding 步长 valid activation 描述

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

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。