Tensorflow2.0笔记
本博客为Tensorflow2.0学习笔记，感谢北京大学微电子学院曹建老师
2.5输出特征计算
输出特征尺寸计算：在了解神经网络中卷积计算的整个过程后，就可以对输出特征图的尺寸进行计算，如图 5-8 所示，5×5 的图像经过 3×3 大小的卷积核做卷积计算后输出特征尺寸为 3×3。
2.6全零填充
为了保持输出图像尺寸与输入图像一致，经常会在输入图像周围进行全零填充，如图 5-9 所示，在 5×5 的输入图像周围填 0，则输出特征尺寸同为 5×5。
上下两行分别代表对输入图像进行全零填充或不进行填充，对于 5×5×1 的图像来说，当 padding = ‘SAME’时，输出图像边长为 5；当 padding = ‘VALID’时，输出图像边长为 3。具备以上知识后，就可以在 Tensorflow 框架下利用 Keras 来构建 CNN 中的卷积层，使用的是 tf.keras.layers.Conv2D 函数，具体的使用方法如下：
tf.keras.layers.Conv2D(
input_shape = (高, 宽, 通道数), #仅在第一层有filters = 卷积核个数,
kernel_size = 卷积核尺寸, strides = 卷积步长,
padding = ‘SAME’ or ‘VALID’,
activation = ‘relu’ or ‘sigmoid’ or ‘tanh’ or ‘softmax’等 #如有 BN 则此处不用写
)
使用此函数构建卷积层时，需要给出的信息有：
A） 输入图像的信息，即宽高和通道数；
B） 卷积核的个数以及尺寸，如 filters = 16, kernel_size = (3, 3)代表采用 16 个大小为 3×3 的卷积核；
C） 卷积步长，即卷积核在输入图像上滑动的步长，纵向步长与横向步长通常是相同的，默认值为 1；
D） 是否进行全零填充，全零填充的具体作用上文有描述；
E） 采用哪种激活函数，例如 relu、softmax 等，各种函数的具体效果在前面章节中有详细描述；
这里需要注意的是，在利用 Tensorflow 框架构建卷积网络时，一般会利用 BatchNormalization 函数来构建 BN 层，进行批归一化操作，所以在 Conv2D 函数中经常不写 BN。BN 操作的具体含义和作用见下文。