关于python：Keras Conv2d自己的过滤器

Keras Conv2d own filters

可以设置为具有自己的过滤器的参数过滤器数组，而不是Conv2D中的过滤器数量

1
2
3
4
5
6

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'))

相关讨论

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，然后在整个图像中进行迭代(卷积)。

在深度学习方法中，我们试图完成相同的任务。但是在这里，我们假设虽然确切知道我们要查找的内容(标记的图像)，但我们不知道应该使用哪个过滤器。当我们训练卷积神经网络时，我们向它展示了我们想要的东西并要求它找出自己的权重，即过滤器值。

因此，在这种情况下，我们应该只定义要训练的过滤器数量(在您的情况下为4个过滤器)，以及如何初始化它们。训练网络时将设置其权重。

有很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；或者使用随机函数来保证它们可以捕捉到不同的图像特征)。 Keras Conv2D函数默认使用https://keras.io/layers/convolutional/#conv2d中指定的" glo统一"算法。

如果您真的想按照显示的方式初始化过滤器权重，则可以编写自己的函数(请查看https://keras.io/initializers/)，然后通过kernel_initializer参数传递它：

1	model.add(Conv2D(number_of_filters, (3, 3), activation='relu', input_shape=(3, 1024, 1024), kernel_initializer=your_function, data_format='channels_first'))

可接受的答案是正确的，但对于一个完整的示例肯定会更有用，类似于此出色的tensorflow示例中提供的示例，该示例演示了Conv2d的功能。

对于喀拉拉邦，这是

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

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

1 2	[[14, 6] [6, 12]]

符合预期。