Hjælp udviklingen af webstedet med at dele artiklen med venner!
Introduktion til Keras conv2D
Keras conv2D, som står for foldningslag i et 2-dimensionelt mønster, er ansvarlig for at generere kernen af foldning, som derefter sammensmeltes med de andre inputlag i Keras-modellen, så det endelige resulterende output vil indeholde en tensor. I denne artikel vil vi dykke ned i emnet Keras conv2D og vil forsøge at forstå, hvad der er Keras conv2D, hvordan man bruger Keras conv2D, Keras conv2D framework, Keras conv2D model, Keras conv2D model konfiguration og en konklusion om det samme.
Hvad er Keras conv2D?
Keras conv2D er det foldningslag, der hjælper os med at generere foldningskernen, så når den er forbundet med inputlagene i Keras-modellen, resulterer modellen i, at outputtet indeholder tensor. Den producerede kerne er en maske eller matrix af foldning, der yderligere bruges til kantdetektering, skarphed, sløring, prægning, som udføres ved at udføre foldning af billeder og kernen.
Hvordan bruger jeg Keras conv2D?
Vi kan ganske enkelt bruge modellen efter den er kompileret, tilpasset og evalueret til videre brug. Vi er nødt til at gøre brug af klassen nævnt nedenfor til at henvise til dens syntaks. Nedenfor er de trin, som du kan bruge til at oprette og bruge Keras conv2D-modellen -
• Import af de nødvendige biblioteker og klasser øverst i koden.
• Erklæring af konfigurationerne af modellen, der indeholder alle de attributter, der er nævnt i konfigurationsafsnittet i denne artikel.
• Indlæser data.
• Definition af formen på inputdata.
• Parsing af inputværdierne, hvis de er i tal for at flyde.
• Skalering af data til trænings- og testformål.
• Modeloprettelse og tilføjelse af den nødvendige conv2D og andre lag til den.
• Modelsamling.
• Tilpasning af inputdata til træningsformål i modellen.
• Generering af metrics til generalisering og indstilling af den verbose værdi eller udskrivning af resultaterne til outputskærmen.
Keras conv2D framework
Når vi beskæftiger os med billeder osv., der er todimensionelle input, kan vi bruge Keras conv2D til repræsentationen af disse lag. Den perfekte måde, hvorpå de er repræsenteret, er som vist nedenfor -
(keras,n.d)
Klassen af Keras conv2D er som defineret nedenfor, som viser alle de parametre, der kræves for at bestå -
Keras.layers.Conv2D (kerneinitialiserer=glorot uniform, dataformat=Ingen, skridt=(1,1), dilatationshastighed=(1,1), aktivitetsregularizer=Ingen, bias regularizer=Ingen, brug bias=sand, polstring=gyldig, kernestørrelse, filtre, bias initializer=nuller, kernel regularizer=Ingen, bias constraint=Ingen, kernel constraint=Ingen, aktivering=Ingen)
Forskellige parametre, der bruges her, der fungerer som attributterne, er beskrevet i nedenstående tabel -
| Attributter | Beskrivelse |
| Kernestørrelse | Et antal pixels, der passer til bredden og højden, er opsummeret som det 2-dimensionelle filter med specificeret bredde og højde. |
| Filtre | En række filtre, der skal læres af foldningslagene, er repræsenteret her. Hvert enkelt filter glider inde i inputtet, så featurekortet oprettes i resultatet. |
| Stride | Det hjælper os med at repræsentere den måde, hvorpå kernespring over billedet, der sendes som input, sker. For eksempel, når værdien af skridt er én, bevæger kernen sig gennem inputbilledet pixel for pixel, hvis det er 2, springer kernen med én pixel i billedet, der sendes som input. |
| Padding | Når kernens filtre ikke passer, gives vejledningen ved polstring. Et af scenarierne er, når den angivne højde og bredde af billedet ikke stemmer overens med størrelsen af kernen og den angivne værdi af skridt. |
| Dataformat | Dens værdi kan være enten kanal først eller kanal sidst. når vi sender billederne som input, svarer hver af dem til de specifikke kanaler såsom RGB rød grøn blå eller lignende. Disse kanaler er til stede i den sidste eller første er repræsenteret ved dataformat. Den seneste version af Keras har ikke brug for dette, da de understøtter TensorFlow. |
| Dilated rate | Når de foldninger, der anvendes, er af dilateret type, kan specifikationen af dilatationshastigheden udføres i denne attribut. |
| Aktiveringsfunktion | Det tager input fra conv2D-laget i lineært format, så det kan konvertere det til ikke-lineært. |
| Bias værdi | Specificeret for hvert lag til lodret skalering af den indlærte funktionalitet. Standardværdien, når den ikke er angivet, er indstillet til aktiveret. |
| Initializer | Konfigurationen af begrænsninger, biases og regularizers kan udføres ved at bruge initializers. |
Keras conv2D-model
For at skabe conv2D-modellen i Keras skal vi have den nyeste version af Keras, da den understøtter conv2D-lag. Det er praktisk at have TensorFlow version 2 eller nyere installeret på dit system. Du kan nemt finde de ressourcer, der vil guide dig om installationsprocessen af Keras eller TensorFlow, når du har googlet det eller søger på selve educba-webstedet.En yderligere ting er, at vi skal bruge den nyeste version af python på dit system, såsom den, der er installeret ved hjælp af Anaconda.
Der er visse principper, der blev fulgt under oprettelsen af conv2D-modellen i Keras, som er -
- Billederne af input skal transformeres af lagene af conv2D til en abstrakt repræsentation.
- Tæt forbundne lag kan bruges til generering af klassifikationen i repræsentationen af billeder.
- Bemærk, at tætte lag kun er i stand til at håndtere endimensionelle data. Hvis vi har multidimensionelle data, skal vi først konvertere dem til en enkelt dimension ved det sidste conv2D-lag eller ved at bruge det flade lag.
Keras conv2D-modelkonfiguration
Følgende konfigurationer skal udføres for modellen -
- Batchstørrelsen skal indstilles. For eksempel, hvis den er sat til 20, skal vi sende 20 prøver til modellen for hvert enkelt trin.
- Specifikation af et antal kanaler, bredde, højde eller billede skal udføres.
- Værdierne for optimerings- og tabsfunktionen skal indstilles.
- Indstil værdien af no_classes. For eksempel, hvis datasættet for din model har 15 klasser, skal no_classes indstilles til 15.
- Vi bliver nødt til at angive antallet af iterationer, der er værdien af epoker, som kan være en hvilken som helst heltalsværdi i henhold til vores krav. Dette er det antal gange, vi ønsker at gentage træningen af vores model.
- Tjek, om modellen er overfitting, ved at bruge træningsdataene til validering, som omfatter kontrol af modellens ydeevne efter hver eneste iteration.
- For at vise outputtet på skærmen kan vi indstille værdien af tilstandsudsmykning til sand eller tilsvarende værdi såsom 1.
Billedet nedenfor viser eksempelkonfigurationerne af en af Keras conv2D-modellerne, som vi har skabt -
Konklusion
Keras conv2D er foldningslagene i et 2-dimensionelt mønster og genererer foldningskerne, som derefter bindes med de andre inputlag i Keras-modellen for at få et output af tensor.