Tensorflow⑥——基本卷积操作CBAPD

卷积神经网络：借助卷积核提取特征后，送入全连接网络。
卷积是什么，卷积是特征提取器，就是CBAPD
卷积——披标准化——激活层——池化层——全连接
（Convolutional——BN——Activation——Pooling——Dropout），之后送入全连接层（FC）

tf.keras.layers.Conv2D

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
    )

tf.keras.layers.BatchNormalization()

tf.keras.layers.BatchNormalization()——批标准化，BN层通常位于卷积层之后，激活层之前。

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
	MaxPool2D(pool_size=(2, 2), strides=2, padding='same'), # 池化层
	Dropout(0.2), # dropout层
])

tf.keras.layers.MaxPool2D、tf.keras.layers.AveragePooling2D

池化层。

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）
)

---

tf.keras.layers.AveragePooling2D(
	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）
)

---

# 举例如下
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
	MaxPool2D(pool_size=(2, 2), strides=2, padding='same'), # 池化层
	Dropout(0.2), # dropout层
])

tf.keras.layers.Dropout

tf.keras.layers.Dropout(舍弃的概率)