Tensorflow 老式Keras命令的现代语法；卷积2D；？

我在研究不同的CNN体系结构以预测CIFAR10数据集，我发现了这个有趣的Github存储库：

我尝试运行该模型，但它是在6年前创建的，以下Keras命令不再有效：

添加（卷积2D（32,3,3,3，border_mode='full'））

如何将此命令转换为

Conv2D

的现代Keras语法

当我试图在卷积2D（32，3，3，3，…）中输入整数序列时，我在Keras中得到一个错误？ 我猜

32

是通道数，然后我们指定

3x3

内核大小，但我不确定最后提到的

3

的含义（第4位）

注：将

border\u模式更改为
padding='valid'
或
'same'
将返回以下错误：

    model.add(Convolution2D(32, 3, 3, 3, padding='valid'))
TypeError: __init__() got multiple values for argument 'padding'

covolional2d
现在命名为
Conv2D
，但是
covolional2d
仍然有一个别名，所以这不是问题

border\u模式
参数不再可用，等效的参数是
填充
，选项为
有效
或
相同

尝试这两种方法，看看它们是否符合输出的形状，并允许代码工作。
下面的
要点是回溯的，也有一些问题。你现在不需要遵循这个。这是它的更新版本。试试这个

导入和数据集

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import (Dense, Dropout, Activation, 
                                    Flatten, Conv2D, MaxPooling2D)
from tensorflow.keras.optimizers import SGD, Adadelta, Adagrad
import tensorflow as tf 

# parameters
batch_size = 32
nb_classes = 10
nb_epoch = 5

# the data, shuffled and split between tran and test sets
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.cifar10.load_data()

# convert class vectors to binary class matrices
Y_train = tf.keras.utils.to_categorical(y_train, nb_classes) 
Y_test = tf.keras.utils.to_categorical(y_test, nb_classes)

# train model
X_train = X_train.astype("float32") / 255
X_test = X_test.astype("float32") / 255

X_train.shape, y_train.shape, X_test.shape, y_test.shape
((50000, 32, 32, 3), (50000, 1), (10000, 32, 32, 3), (10000, 1))

建模

model = Sequential()

model.add(Conv2D(filters=32, kernel_size=(3, 3), 
                 strides=(1, 1), activation='relu', padding="same"))
model.add(Activation('relu'))
model.add(Conv2D(filters=32, kernel_size=(3, 3), 
                strides=(1, 1), activation='relu', padding="same"))
model.add(Activation('relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(filters=32, kernel_size=(3, 3), 
                 strides=(1, 1), activation='relu', padding="same"))
model.add(Activation('relu'))
model.add(Conv2D(filters=32, kernel_size=(3, 3), 
                 strides=(1, 1), activation='relu', padding="same"))
model.add(Activation('relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(nb_classes))
model.add(Activation('softmax'))

# let's train the model using SGD + momentum (how original).
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

编译并运行

model.fit(X_train, Y_train, batch_size=batch_size, epochs=nb_epoch)

# test score & top 1 performance
score = model.evaluate(X_test, Y_test, batch_size=batch_size)
y_hat = model.predict(X_test)
yhat = np.argmax(y_hat, 1)
top1 = np.mean(yhat == np.squeeze(y_test))

print('Test score/Top1', score, top1)

你好，尼古拉斯·热尔韦，谢谢你的留言。我试图查看Keras文档，但我不确定作为参数传递给代码的最后一个
3
的含义。请告诉我您是否熟悉第四个参数的含义。@C-3PO如果您对给定的答案有任何疑问，请告诉我。@M.Innat谢谢您的回答，代码确实有效。如果我有任何问题，我会告诉你的。非常感谢。你好@dataista，谢谢你的帮助。我试图应用您提到的更改，但我得到了以下错误：
model.add（卷积2D（32,3,3，padding='valid'））
TypeError:\uu init\uuu（）为参数'padding'获取了多个值。
我认为问题是将4个整数作为参数传递不再有效。如果你知道这个整数序列的原始含义，请告诉我。我猜它的意思是，32个通道，3x3内核，然后再加上3个。。。