[source]

Conv1D

keras.layers.Conv1D(filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

1D 卷积层 (例如时序卷积)。

该层创建了一个卷积核，该卷积核以 单个空间（或时间）维上的层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。

当使用该层作为模型第一层时，需要提供 input_shape 参数（整数元组或 None），例如， (10, 128) 表示 10 个 128 维的向量组成的向量序列， (None, 128) 表示 128 维的向量组成的变长序列。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者单个整数表示的元组或列表， 指明 1D 卷积窗口的长度。
• strides: 一个整数，或者单个整数表示的元组或列表， 指明卷积的步长。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid", "causal" 或 "same" 之一 (大小写敏感) "valid" 表示「不填充」。 "same" 表示填充输入以使输出具有与原始输入相同的长度。 "causal" 表示因果（膨胀）卷积， 例如，output[t] 不依赖于 input[t+1:]， 在模型不应违反时间顺序的时间数据建模时非常有用。 详见 WaveNet: A Generative Model for Raw Audio, section 2.1。
• data_format: 字符串, "channels_last" (默认) 或 "channels_first" 之一。输入的各个维度顺序。 "channels_last" 对应输入尺寸为 (batch, steps, channels) (Keras 中时序数据的默认格式) 而 "channels_first" 对应输入尺寸为 (batch, channels, steps)。
• dilation_rate: 一个整数，或者单个整数表示的元组或列表，指定用于膨胀卷积的膨胀率。 当前，指定任何 dilation_rate 值 != 1 与指定 stride 值 != 1 两者不兼容。
• activation: 要使用的激活函数 (详见 activations)。 如未指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

3D 张量 ，尺寸为 (batch_size, steps, input_dim)。

输出尺寸

3D 张量，尺寸为 (batch_size, new_steps, filters)。 由于填充或窗口按步长滑动，steps 值可能已更改。

---

[source]

Conv2D

keras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

2D 卷积层 (例如对图像的空间卷积)。

该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。

当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的宽度和高度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿宽度和高度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 channels_last。
• dilation_rate: 一个整数或 2 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (samples, channels, rows, cols)。
• 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (samples, rows, cols, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (samples, filters, new_rows, new_cols)。
• 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (samples, new_rows, new_cols, filters)。

由于填充的原因， rows 和 cols 值可能已更改。

---

[source]

SeparableConv1D

keras.layers.SeparableConv1D(filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer='glorot_uniform', pointwise_initializer='glorot_uniform', bias_initializer='zeros', depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)

深度方向的可分离 1D 卷积。

可分离的卷积的操作包括，首先执行深度方向的空间卷积 （分别作用于每个输入通道），紧接一个将所得输出通道 混合在一起的逐点卷积。depth_multiplier 参数控 制深度步骤中每个输入通道生成多少个输出通道。

直观地说，可分离的卷积可以理解为一种将卷积核分解成 两个较小的卷积核的方法，或者作为 Inception 块的 一个极端版本。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者单个整数表示的元组或列表， 指明 1D 卷积窗口的长度。
• strides: 一个整数，或者单个整数表示的元组或列表， 指明卷积的步长。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用「channels_last」。
• dilation_rate: 一个整数，或者单个整数表示的元组或列表， 为使用扩张（空洞）卷积指明扩张率。 目前，指定任何 dilation_rate 值 != 1 与指定任何 stride 值 != 1 两者不兼容。
• depth_multiplier: 每个输入通道的深度方向卷积输出通道的数量。 深度方向卷积输出通道的总数将等于 filterss_in * depth_multiplier。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• depthwise_initializer: 运用到深度方向的核矩阵的初始化器 (详见 initializers)。
• pointwise_initializer: 运用到逐点核矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• depthwise_regularizer: 运用到深度方向的核矩阵的正则化函数 (详见 regularizer)。
• pointwise_regularizer: 运用到逐点核矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• depthwise_constraint: 运用到深度方向的核矩阵的约束函数 (详见 constraints)。
• pointwise_constraint: 运用到逐点核矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 3D 张量，尺寸为 (batch, channels, steps)。
• 如果 data_format='channels_last'， 输入 3D 张量，尺寸为 (batch, steps, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 3D 张量，尺寸为 (batch, filters, new_steps)。
• 如果 data_format='channels_last'， 输出 3D 张量，尺寸为 (batch, new_steps, filters)。

由于填充的原因， new_steps 值可能已更改。

---

[source]

SeparableConv2D

keras.layers.SeparableConv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer='glorot_uniform', pointwise_initializer='glorot_uniform', bias_initializer='zeros', depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)

深度方向的可分离 2D 卷积。

可分离的卷积的操作包括，首先执行深度方向的空间卷积 （分别作用于每个输入通道），紧接一个将所得输出通道 混合在一起的逐点卷积。depth_multiplier 参数控 制深度步骤中每个输入通道生成多少个输出通道。

直观地说，可分离的卷积可以理解为一种将卷积核分解成 两个较小的卷积核的方法，或者作为 Inception 块的 一个极端版本。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的高度和宽度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿高度和宽度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用「channels_last」。
• dilation_rate: 一个整数，或者 2 个整数表示的元组或列表， 为使用扩张（空洞）卷积指明扩张率。 目前，指定任何 dilation_rate 值 != 1 与指定任何 stride 值 != 1 两者不兼容。
• depth_multiplier: 每个输入通道的深度方向卷积输出通道的数量。 深度方向卷积输出通道的总数将等于 filterss_in * depth_multiplier。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• depthwise_initializer: 运用到深度方向的核矩阵的初始化器 详见 initializers)。
• pointwise_initializer: 运用到逐点核矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• depthwise_regularizer: 运用到深度方向的核矩阵的正则化函数 (详见 regularizer)。
• pointwise_regularizer: 运用到逐点核矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• depthwise_constraint: 运用到深度方向的核矩阵的约束函数 (详见 constraints)。
• pointwise_constraint: 运用到逐点核矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。
• 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (batch, filters, new_rows, new_cols)。
• 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (batch, new_rows, new_cols, filters)。

由于填充的原因， rows 和 cols 值可能已更改。

---

[source]

DepthwiseConv2D

keras.layers.DepthwiseConv2D(kernel_size, strides=(1, 1), padding='valid', depth_multiplier=1, data_format=None, activation=None, use_bias=True, depthwise_initializer='glorot_uniform', bias_initializer='zeros', depthwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, bias_constraint=None)

深度可分离 2D 卷积。

深度可分离卷积包括仅执行深度空间卷积中的第一步（其分别作用于每个输入通道）。 depth_multiplier 参数控制深度步骤中每个输入通道生成多少个输出通道。

Arguments

• kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的高度和宽度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿高度和宽度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• depth_multiplier: 每个输入通道的深度方向卷积输出通道的数量。 深度方向卷积输出通道的总数将等于 filterss_in * depth_multiplier。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用「channels_last」。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• depthwise_initializer: 运用到深度方向的核矩阵的初始化器 详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• depthwise_regularizer: 运用到深度方向的核矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• depthwise_constraint: 运用到深度方向的核矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。
• 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (batch, filters, new_rows, new_cols)。
• 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (batch, new_rows, new_cols, filters)。

由于填充的原因， rows 和 cols 值可能已更改。

---

[source]

Conv2DTranspose

keras.layers.Conv2DTranspose(filters, kernel_size, strides=(1, 1), padding='valid', output_padding=None, data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

转置卷积层 (有时被成为反卷积)。

对转置卷积的需求一般来自希望使用 与正常卷积相反方向的变换， 即，将具有卷积输出尺寸的东西 转换为具有卷积输入尺寸的东西， 同时保持与所述卷积相容的连通性模式。

当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的高度和宽度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿高度和宽度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• output_padding: 一个整数，或者 2 个整数表示的元组或列表， 指定沿输出张量的高度和宽度的填充量。 可以是单个整数，以指定所有空间维度的相同值。 沿给定维度的输出填充量必须低于沿同一维度的步长。 如果设置为 None (默认), 输出尺寸将自动推理出来。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。
• dilation_rate: 一个整数或 2 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。
• 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (batch, filters, new_rows, new_cols)。
• 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (batch, new_rows, new_cols, filters)。

由于填充的原因， rows 和 cols 值可能已更改。

如果指定了 output_padding:

new_rows = ((rows - 1) * strides[0] + kernel_size[0]
            - 2 * padding[0] + output_padding[0])
new_cols = ((cols - 1) * strides[1] + kernel_size[1]
            - 2 * padding[1] + output_padding[1])

参考文献

• A guide to convolution arithmetic for deep learning
• Deconvolutional Networks

---

[source]

Conv3D

keras.layers.Conv3D(filters, kernel_size, strides=(1, 1, 1), padding='valid', data_format=None, dilation_rate=(1, 1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

3D 卷积层 (例如立体空间卷积)。

该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。

当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 128, 1) 表示 128x128x128 的单通道立体， 在 data_format="channels_last" 时。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者 3 个整数表示的元组或列表， 指明 3D 卷积窗口的深度、高度和宽度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 3 个整数表示的元组或列表， 指明卷积沿每一个空间维度的步长。 可以是一个整数，为所有空间维度指定相同的步长值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2, spatial_dim3, channels)， channels_first 对应输入尺寸为 (batch, channels, spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。
• dilation_rate: 一个整数或 3 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

• 如果 data_format='channels_first'， 输入 5D 张量，尺寸为 (samples, channels, conv_dim1, conv_dim2, conv_dim3)。
• 如果 data_format='channels_last'， 输入 5D 张量，尺寸为 (samples, conv_dim1, conv_dim2, conv_dim3, channels)。

输出尺寸

• 如果 data_format='channels_first'， 输出 5D 张量，尺寸为 (samples, filters, new_conv_dim1, new_conv_dim2, new_conv_dim3)。
• 如果 data_format='channels_last'， 输出 5D 张量，尺寸为 (samples, new_conv_dim1, new_conv_dim2, new_conv_dim3, filters)。

由于填充的原因， new_conv_dim1, new_conv_dim2 和 new_conv_dim3 值可能已更改。

---

[source]

Conv3DTranspose

keras.layers.Conv3DTranspose(filters, kernel_size, strides=(1, 1, 1), padding='valid', output_padding=None, data_format=None, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

转置卷积层 (有时被成为反卷积)。

对转置卷积的需求一般来自希望使用 与正常卷积相反方向的变换， 即，将具有卷积输出尺寸的东西 转换为具有卷积输入尺寸的东西， 同时保持与所述卷积相容的连通性模式。

当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 128, 3) 表示尺寸 128x128x128 的 3 通道立体， 在 data_format="channels_last" 时。

参数

• filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
• kernel_size: 一个整数，或者 3 个整数表示的元组或列表， 指明 3D 卷积窗口的深度、高度和宽度。 可以是一个整数，为所有空间维度指定相同的值。
• strides: 一个整数，或者 3 个整数表示的元组或列表， 指明沿深度、高度和宽度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
• padding: "valid" 或 "same" (大小写敏感)。
• output_padding: 一个整数，或者 3 个整数表示的元组或列表， 指定沿输出张量的高度和宽度的填充量。 可以是单个整数，以指定所有空间维度的相同值。 沿给定维度的输出填充量必须低于沿同一维度的步长。 如果设置为 None (默认), 输出尺寸将自动推理出来。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, depth, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, depth, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用「channels_last」。
• dilation_rate: 一个整数或 3 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
• activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (详见 initializers)。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

如果 data_format='channels_first'， 输入 5D 张量，尺寸为 (batch, channels, depth, rows, cols)， 如果 data_format='channels_last'， 输入 5D 张量，尺寸为 (batch, depth, rows, cols, channels)。

Output shape

如果 data_format='channels_first'， 输出 5D 张量，尺寸为 (batch, filters, new_depth, new_rows, new_cols)， 如果 data_format='channels_last'， 输出 5D 张量，尺寸为 (batch, new_depth, new_rows, new_cols, filters)。

depth 和 rows 和 cols 可能因为填充而改变。 如果指定了 output_padding：

new_depth = ((depth - 1) * strides[0] + kernel_size[0]
             - 2 * padding[0] + output_padding[0])
new_rows = ((rows - 1) * strides[1] + kernel_size[1]
            - 2 * padding[1] + output_padding[1])
new_cols = ((cols - 1) * strides[2] + kernel_size[2]
            - 2 * padding[2] + output_padding[2])

参考文献

• [A guide to convolution arithmetic for deep learning] (https://arxiv.org/abs/1603.07285v1)
• [Deconvolutional Networks] (http://www.matthewzeiler.com/pubs/cvpr2010/cvpr2010.pdf)

---

[source]

Cropping1D

keras.layers.Cropping1D(cropping=(1, 1))

1D 输入的裁剪层（例如时间序列）。

它沿着时间维度（第 1 个轴）裁剪。

参数

• cropping: 整数或整数元组（长度为 2）。 在裁剪维度（第 1 个轴）的开始和结束位置 应该裁剪多少个单位。 如果只提供了一个整数，那么这两个位置将使用 相同的值。

输入尺寸

3D 张量，尺寸为 (batch, axis_to_crop, features)。

输出尺寸

3D 张量，尺寸为 (batch, cropped_axis, features)。

---

[source]

Cropping2D

keras.layers.Cropping2D(cropping=((0, 0), (0, 0)), data_format=None)

2D 输入的裁剪层（例如图像）。

它沿着空间维度裁剪，即宽度和高度。

参数

• cropping: 整数，或 2 个整数的元组，或 2 个整数的 2 个元组。
  • 如果为整数： 将对宽度和高度应用相同的对称裁剪。
  • 如果为 2 个整数的元组： 解释为对高度和宽度的两个不同的对称裁剪值： (symmetric_height_crop, symmetric_width_crop)。
  • 如果为 2 个整数的 2 个元组： 解释为 ((top_crop, bottom_crop), (left_crop, right_crop))。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。

输出尺寸

• 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (batch, rows, cols, channels)。
• 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (batch, channels, rows, cols)。

由于填充的原因， rows 和 cols 值可能已更改。

输入尺寸

• 如果 data_format 为 "channels_last"， 输入 4D 张量，尺寸为 (batch, cropped_rows, cropped_cols, channels)。
• 如果 data_format 为 "channels_first"， 输入 4D 张量，尺寸为 (batch, channels, cropped_rows, cropped_cols)。

输出尺寸

• 如果 data_format 为 "channels_last"， 输出 4D 张量，尺寸为 (batch, cropped_rows, cropped_cols, channels)
• 如果 data_format 为 "channels_first"， 输出 4D 张量，尺寸为 (batch, channels, cropped_rows, cropped_cols)。

例子

# 裁剪输入的 2D 图像或特征图
model = Sequential()
model.add(Cropping2D(cropping=((2, 2), (4, 4)),
                     input_shape=(28, 28, 3)))
# 现在 model.output_shape == (None, 24, 20, 3)
model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Cropping2D(cropping=((2, 2), (2, 2))))
# 现在 model.output_shape == (None, 20, 16. 64)

---

[source]

Cropping3D

keras.layers.Cropping3D(cropping=((1, 1), (1, 1), (1, 1)), data_format=None)

3D 数据的裁剪层（例如空间或时空）。

参数

• cropping: 整数，或 3 个整数的元组，或 2 个整数的 3 个元组。
  • 如果为整数： 将对深度、高度和宽度应用相同的对称裁剪。
  • 如果为 3 个整数的元组： 解释为对深度、高度和高度的 3 个不同的对称裁剪值： (symmetric_dim1_crop, symmetric_dim2_crop, symmetric_dim3_crop)。
  • 如果为 2 个整数的 3 个元组： 解释为 ((left_dim1_crop, right_dim1_crop), (left_dim2_crop, right_dim2_crop), (left_dim3_crop, right_dim3_crop))。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2, spatial_dim3, channels)， channels_first 对应输入尺寸为 (batch, channels, spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。

输入尺寸

5D 张量，尺寸为：

• 如果 data_format 为 "channels_last": (batch, first_cropped_axis, second_cropped_axis, third_cropped_axis, depth)
• 如果 data_format 为 "channels_first": (batch, depth, first_cropped_axis, second_cropped_axis, third_cropped_axis)

输出尺寸

5D 张量，尺寸为：

• 如果 data_format 为 "channels_last": (batch, first_cropped_axis, second_cropped_axis, third_cropped_axis, depth)
• 如果 data_format 为 "channels_first": (batch, depth, first_cropped_axis, second_cropped_axis, third_cropped_axis)。

---

[source]

UpSampling1D

keras.layers.UpSampling1D(size=2)

1D 输入的上采样层。

沿着时间轴重复每个时间步 size 次。

参数

• size: 整数。上采样因子。

输入尺寸

3D 张量，尺寸为 (batch, steps, features)。

输出尺寸

3D 张量，尺寸为 (batch, upsampled_steps, features)。

---

[source]

UpSampling2D

keras.layers.UpSampling2D(size=(2, 2), data_format=None, interpolation='nearest')

2D 输入的上采样层。

沿着数据的行和列分别重复 size[0] 和 size[1] 次。

参数

• size: 整数，或 2 个整数的元组。 行和列的上采样因子。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。
• interpolation: 字符串，nearest 或 bilinear 之一。 注意 CNTK 暂不支持 bilinear upscaling， 以及对于 Theano，只可以使用 size=(2, 2)。

输入尺寸

• 如果 data_format 为 "channels_last"， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。
• 如果 data_format 为 "channels_first"， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。

输出尺寸

• 如果 data_format 为 "channels_last"， 输出 4D 张量，尺寸为 (batch, upsampled_rows, upsampled_cols, channels)。
• 如果 data_format 为 "channels_first"， 输出 4D 张量，尺寸为 (batch, channels, upsampled_rows, upsampled_cols)。

---

[source]

UpSampling3D

keras.layers.UpSampling3D(size=(2, 2, 2), data_format=None)

3D 输入的上采样层。

沿着数据的第 1、2、3 维度分别重复 size[0]、size[1] 和 size[2] 次。

参数

• size: 整数，或 3 个整数的元组。 dim1, dim2 和 dim3 的上采样因子。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2, spatial_dim3, channels)， channels_first 对应输入尺寸为 (batch, channels, spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。

输入尺寸

• 如果 data_format 为 "channels_last"， 输入 5D 张量，尺寸为 (batch, dim1, dim2, dim3, channels)。
• 如果 data_format 为 "channels_first"， 输入 5D 张量，尺寸为 (batch, channels, dim1, dim2, dim3)。

输出尺寸

• 如果 data_format 为 "channels_last"， 输出 5D 张量，尺寸为 (batch, upsampled_dim1, upsampled_dim2, upsampled_dim3, channels)。
• 如果 data_format 为 "channels_first"， 输出 5D 张量，尺寸为 (batch, channels, upsampled_dim1, upsampled_dim2, upsampled_dim3)。

---

[source]

ZeroPadding1D

keras.layers.ZeroPadding1D(padding=1)

1D 输入的零填充层（例如，时间序列）。

参数

• padding: 整数，或长度为 2 的整数元组，或字典。
  • 如果为整数： 在填充维度（第一个轴）的开始和结束处添加多少个零。
  • 如果是长度为 2 的整数元组： 在填充维度的开始和结尾处添加多少个零 ((left_pad, right_pad))。

输入尺寸

3D 张量，尺寸为 (batch, axis_to_pad, features)。

输出尺寸

3D 张量，尺寸为 (batch, padded_axis, features)。

---

[source]

ZeroPadding2D

keras.layers.ZeroPadding2D(padding=(1, 1), data_format=None)

2D 输入的零填充层（例如图像）。

该图层可以在图像张量的顶部、底部、左侧和右侧添加零表示的行和列。

参数

• padding: 整数，或 2 个整数的元组，或 2 个整数的 2 个元组。
  • 如果为整数：将对宽度和高度运用相同的对称填充。
  • 如果为 2 个整数的元组：
  • 如果为整数：: 解释为高度和高度的 2 个不同的对称裁剪值： (symmetric_height_pad, symmetric_width_pad)。
  • 如果为 2 个整数的 2 个元组： 解释为 ((top_pad, bottom_pad), (left_pad, right_pad))。
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。

输入尺寸

• 如果 data_format 为 "channels_last"， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。
• 如果 data_format 为 "channels_first"， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。

输出尺寸

• 如果 data_format 为 "channels_last"， 输出 4D 张量，尺寸为 (batch, padded_rows, padded_cols, channels)。
• 如果 data_format 为 "channels_first"， 输出 4D 张量，尺寸为 (batch, channels, padded_rows, padded_cols)。

---

[source]

ZeroPadding3D

keras.layers.ZeroPadding3D(padding=(1, 1, 1), data_format=None)

3D 数据的零填充层(空间或时空)。

参数

• padding: 整数，或 3 个整数的元组，或 2 个整数的 3 个元组。
  • 如果为整数：将对深度、高度和宽度运用相同的对称填充。
  • 如果为 3 个整数的元组： 解释为深度、高度和宽度的三个不同的对称填充值： (symmetric_dim1_pad, symmetric_dim2_pad, symmetric_dim3_pad).
  • 如果为 2 个整数的 3 个元组：解释为 ((left_dim1_pad, right_dim1_pad), (left_dim2_pad, right_dim2_pad), (left_dim3_pad, right_dim3_pad))
• data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2, spatial_dim3, channels)， channels_first 对应输入尺寸为 (batch, channels, spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。

输入尺寸

5D 张量，尺寸为：

• 如果 data_format 为 "channels_last": (batch, first_axis_to_pad, second_axis_to_pad, third_axis_to_pad, depth)。
• 如果 data_format 为 "channels_first": (batch, depth, first_axis_to_pad, second_axis_to_pad, third_axis_to_pad)。

输出尺寸

5D 张量，尺寸为：

• 如果 data_format 为 "channels_last": (batch, first_padded_axis, second_padded_axis, third_axis_to_pad, depth)。
• 如果 data_format 为 "channels_first": (batch, depth, first_padded_axis, second_padded_axis, third_axis_to_pad)。