关于Keras的Conv2D的部分参数的理解

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/weixin_44593822/article/details/102636898

filters：

卷积核（就是过滤器！）的数目（即输出的维度）

kernel_size：

单个整数或由两个整数构成的list/tuple，卷积核（过滤器）的宽度和长度。（kernel n.核心，要点，[计]内核）
如为单个整数，则表示在各个空间维度的相同长度。

strides：

单个整数或由两个整数构成的list/tuple，为卷积的步长。
如为单个整数，则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rata均不兼容

padding：

补0策略，为"valid", "same" 。
"valid"不填充，eg:图像28*28，过滤器5*5，步长为5，最后三行三列舍弃，输出大小为：[（28-3-5）/5]+1=5，即输出图像是5*5的
代表只进行有效的卷积，即对边界数据不处理。
"same"填充，当滑动步长大于1时：填充数=K-I%S（K:卷积核边长，I：输入图像边长，S：滑动步长），
滑动步长为1时，填充数是卷积核边长减1，eg:5*5的图用3*3的核，步长为1时same填充之后是7*7
代表保留边界处的卷积结果，
通常会导致输出shape与输入shape相同，因为卷积核移动时在边缘会出现大小不够的情况。