Keras 中的 conv2d 和 Conv2D 有什么區別？

Question

我對 Keras 中的Conv2D和conv2d感到困惑。 它們之間有什么區別？ 我認為第一個是層，第二個是后端功能，但這是什么意思？ 在 Conv2D 中，我們發送過濾器的數量、過濾器的大小和步幅（ Conv2D(64,(3,3),stride=(8,8))(input)) ，但在 conv2d 中，我們使用conv2d(input, kernel, stride=(8,8))內核是什么 (64,3,3) 我們把過濾器的數量和大小放在一起？ 我應該在哪里輸入內核數？ 你能幫我解決這個問題嗎？ 謝謝你。

pytorch中的代碼

def apply_conv(self, image, filter_type: str):

        if filter_type == 'dct':
            filters = self.dct_conv_weights
        elif filter_type == 'idct':
            filters = self.idct_conv_weights
        else:
            raise('Unknown filter_type value.')

        image_conv_channels = []
        for channel in range(image.shape[1]):
            image_yuv_ch = image[:, channel, :, :].unsqueeze_(1)
            image_conv = F.conv2d(image_yuv_ch, filters, stride=8)
            image_conv = image_conv.permute(0, 2, 3, 1)
            image_conv = image_conv.view(image_conv.shape[0], image_conv.shape[1], image_conv.shape[2], 8, 8)
            image_conv = image_conv.permute(0, 1, 3, 2, 4)
            image_conv = image_conv.contiguous().view(image_conv.shape[0],
                                                  image_conv.shape[1]*image_conv.shape[2],
                                                  image_conv.shape[3]*image_conv.shape[4])

            image_conv.unsqueeze_(1)

            # image_conv = F.conv2d()
            image_conv_channels.append(image_conv)

        image_conv_stacked = torch.cat(image_conv_channels, dim=1)

        return image_conv_stacked

Keras 中更改的代碼

def apply_conv(self, image, filter_type: str):

        if filter_type == 'dct':
            filters = self.dct_conv_weights
        elif filter_type == 'idct':
            filters = self.idct_conv_weights
        else:
            raise('Unknown filter_type value.')
        print(image.shape)

        image_conv_channels = []
        for channel in range(image.shape[1]):
            print(image.shape)
            print(channel)
            image_yuv_ch = K.expand_dims(image[:, channel, :, :],1)
            print( image_yuv_ch.shape)
            print(filters.shape)
            image_conv = Kr.backend.conv2d(image_yuv_ch,filters,strides=(8,8),data_format='channels_first')
           image_conv = Kr.backend.permute_dimensions(image_conv,(0, 2, 3, 1))
            image_conv = Kr.backend.reshape(image_conv,(image_conv.shape[0], image_conv.shape[1], image_conv.shape[2], 8, 8))
            image_conv =  Kr.backend.permute_dimensions(image_conv,(0, 1, 3, 2, 4))
            image_conv = Kr.backend.reshape(image_conv,(image_conv.shape[0],
                                                  image_conv.shape[1]*image_conv.shape[2],
                                                  image_conv.shape[3]*image_conv.shape[4]))

            Kr.backend.expand_dims(image_conv,1)

            # image_conv = F.conv2d()
            image_conv_channels.append(image_conv)

        image_conv_stacked = Kr.backend.concatenate(image_conv_channels, axis=1)

        return image_conv_stacked

但是當我執行代碼時，它會產生以下錯誤：

追溯（最近一次通話）：

文件“”，第 383 行，在 decoded_noise=JpegCompression()(act11)#16

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\keras\engine\base_layer.py”，第 457 行，在call output = self.call(inputs, **kwargs)

文件“”，第 169 行，調用 image_dct = self.apply_conv(noised_image, 'dct')

文件“”，第 132 行，在 apply_conv image_conv = Kr.backend.conv2d(image_yuv_ch,filters,strides=(8,8),data_format='channels_first')

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\keras\backend\tensorflow_backend.py”，第 3650 行，conv2d data_format=tf_data_format）

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\ops\nn_ops.py”，第 779 行，卷積數據格式=數據格式）

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\ops\nn_ops.py”，第 839 行，在init filter_shape[num_spatial_dims]))

ValueError：輸入通道數與過濾器的相應維度不匹配，1 != 8

新代碼

for channel in range(image.shape[1]):
            image_yuv_ch = K.expand_dims(image[:, channel, :, :],axis=1)
            image_yuv_ch = K.permute_dimensions(image_yuv_ch, (0, 2, 3, 1))
            image_conv = tf.keras.backend.conv2d(image_yuv_ch,kernel=filters,strides=(8,8),padding='same')
            image_conv = tf.keras.backend.reshape(image_conv,(image_conv.shape[0],image_conv.shape[1], image_conv.shape[2],8,8))

錯誤：

追溯（最近一次通話）：

文件“”，第 263 行，在 decoded_noise=JpegCompression()(act11)#16

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\keras\engine\base_layer.py”，第 457 行，在call output = self.call(inputs, **kwargs)

文件“”，第 166 行，在調用 image_dct = self.apply_conv(noised_image, 'dct')

文件“”，第 128 行，在 apply_conv image_conv = tf.keras.backend.reshape(image_conv,(image_conv.shape[0],image_conv.shape[1], image_conv.shape[2],8,8))

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\keras\backend.py”，第 2281 行，在 reshape return array_ops.reshape(x, shape)

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\ops\gen_array_ops.py”，第6482行，在reshape“Reshape”中，tensor=tensor, shape=shape, name=name )

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\op_def_library.py”，第 513 行，在 _apply_op_helper 中引發錯誤

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\op_def_library.py”，第 510 行，在 _apply_op_helper preferred_dtype=default_dtype 中）

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\ops.py”，第 1146 行，internal_convert_to_tensor ret = conversion_func(value, dtype=dtype, name=name, as_ref =as_ref)

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\constant_op.py”，第 229 行，在 _constant_tensor_conversion_function 返回常量（v，dtype=dtype，name=name）

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\constant_op.py”，第208行，常數值，dtype=dtype，shape=shape，verify_shape=verify_shape））

文件“D:\software\Anaconda3\envs\py36\lib\site-packages\tensorflow\python\framework\tensor_util.py”，第 531 行，在 make_tensor_proto“支持的類型”中。 ％（類型（值），值））

類型錯誤：無法將類型對象轉換為張量。 內容：（維度（無）、維度（4）、維度（4）、8、8）。 考慮將元素轉換為受支持的類型。

Answer 1

Tensorflow 和 Keras 現在使用channel_last約定。 因此，首先您應該使用K.permute_dimension將通道 dim 置換為最后一個。 您可以在 colab.research.google.com 中嘗試這段代碼來了解自己。

第一個問題：

• conv2d是執行二維卷積文檔的函數
• keras.layers.Conv2D()將返回執行卷積功能的類Conv2D的實例。 在這里查看更多

# The second 
import keras
conv_layer = keras.layers.Conv2D(filters=64, kernel_size=8, strides=(4, 4), padding='same')

基本上，它們不同於定義方式和使用方式。 K.conv2d在keras.layers.Conv2D內部使用，當conv_layer對某些輸入x應用卷積時，例如conv_layer 。

下面的示例可以幫助您更容易地理解say_hello和SayHello之間的區別。

def say_hello(word, name):
    print(word, name)


class SayHello():

    def __init__(self, word='Hello'):
        self.word = word
        pass

    def __call__(self, name):
        say_hello(self.word, name)


say_hello('Hello', 'Nadia') #Hello Nadia

sayhello = SayHello(word='Hello') # you will get an instance `sayhello` from class SayHello

sayhello('Nadia') # Hello Nadia

第二個問題：

• 這里的kernel是一個形狀張量 (kernel_size, kernel_size, in_channels, out_channels)
• 如果您想獲得形狀為 (8, 8, 64) 的image_conv ，則 strides strides=(4,4) 。

import tensorflow as tf
import tensorflow.keras.backend as K

image = tf.random_normal((10,3, 32, 32))
print(image.shape) # shape=(10, 3, 32, 32)

channel = 1
image_yuv_ch = K.expand_dims(image[:, channel,:,:], axis=1) # shape=(10, 1, 32, 32)
image_yuv_ch = K.permute_dimensions(image_yuv_ch, (0, 2, 3, 1)) # shape=(10, 32, 32, 1)

# The first K.conv2d
in_channels = 1
out_channels = 64 # same as filters
kernel = tf.random_normal((8, 8, in_channels, out_channels)) # shape=(8, 8, 1, 64)

image_conv = tf.keras.backend.conv2d(image_yuv_ch, kernel=kernel, strides=(4, 4), padding='same')
print(image_conv.shape) #shape=(10, 8, 8, 64)


# The second 
import keras
conv_layer = keras.layers.Conv2D(filters=64, kernel_size=8, strides=(4, 4), padding='same')
image_conv = conv_layer(image_yuv_ch)
print(image_conv.shape) #shape=(10, 8, 8, 64)