keras中conv2d的形参有哪些

在Keras中，Conv2D是卷积层的一个类，用于实现二维卷积操作。Conv2D的主要参数如下：

- filters：卷积核的数量，即输出的维度（整数）。
- kernel_size：卷积核的大小，可以是单个整数或一个2个整数的元组/列表，表示卷积核的高度和宽度。
- strides：卷积操作的步长，可以是单个整数或一个2个整数的元组/列表，表示卷积操作在高度和宽度上的步长。默认为(1,1)。
- padding：填充方式，可以取值为"valid"或"same"。"valid"表示不进行填充，"same"表示在输入数据的边缘进行填充，使得输出数据的尺寸与输入数据相同。默认为"valid"。
- activation：激活函数，如"relu"、"sigmoid"等。
- use_bias：是否使用偏置项（布尔值）。默认为True。
- kernel_initializer：卷积核的初始化方法（如"glorot_uniform"、"he_normal"等）。
- bias_initializer：偏置项的初始化方法。
- kernel_regularizer：卷积核的正则化方法（如L1、L2正则化等）。
- bias_regularizer：偏置项的正则化方法。
- activity_regularizer：输出的正则化方法。
- input_shape：输入数据的形状，可以是一个元组/列表，表示输入数据的高度、宽度、通道数（仅限于使用该层作为模型的第一层时）。

例如：

from keras.layers import Conv2D

model.add(Conv2D(filters=32, kernel_size=(3, 3), strides=(1, 1), padding="same", activation="relu", input_shape=(28, 28, 3)))

这个例子中，我们创建了一个卷积层，其中卷积核的数量为32，大小为3x3，步长为1x1，使用"same"填充方式，激活函数为"relu"，输入数据形状为(28, 28, 3)。