如何理解tf.keras.layers.Conv2D（）
在介绍，此函数之前，我们先了解卷积层在深度学习中的作用：
- 什么卷积
卷积是指将卷积核应用到某个张量的所有点上，通过卷积核在输入的张量上滑动而生成经过滤处理的张量。
不同的卷积核对图像中不同特征的敏感程度不同，因此不同的卷积核提取的图像特征不同
卷积层完成的是：对图像特征的提取或者信息匹配
tf.keras.layers.Conv2D（）的函数参数具体如下：
tf.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,
**kwargs,
)
这一层创建了一个卷积核，它与这一层的输入卷积以产生一个输出张量。如果’ use_bias ‘为真，则创建一个偏差向量并添加到输出中。最后，如果“activation”不是“None”，它也会应用于输出。当使用此层作为模型中的第一层时，提供关键字参数’ input_shape ‘(整数元组，不包括示例轴)，
例如。对于data_format="channels_last"中的128x128 RGB图片，’ input_shape=(128, 128, 3) ’
下面介绍下具体参数的含义：
- 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: