我刚开始学习CNN，最近接触了Keras。我试图将我的TensorFlow代码转换为Keras，但感到有些困惑。以下是我的TensorFlow代码。

    #输入数据tf_train_dataset = tf.placeholder(tf.float32,                                      shape=(batch_size,  1, nfeatures, num_channels))tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))#变量 # 第1层weights_l1 = tf.Variable(    tf.truncated_normal([patch_size, patch_size, num_channels, depth], stddev=0.01),name="weights_l1")biases_l1 = tf.Variable(tf.zeros([depth]),name="biases_l1")#第2层weights_l2 = tf.Variable(    tf.truncated_normal([(block_sizeX * block_sizeY * 8), num_hidden], stddev=0.01),name="weights_l2")biases_l2 = tf.Variable(tf.zeros([num_hidden]),name="biases_l2")# 输出层weights = tf.Variable(    tf.truncated_normal([num_hidden, num_labels], stddev=0.01),name="weights")biases = tf.Variable(tf.zeros([num_labels]),name="biases")global_step = tf.Variable(0.0,name="globalStep") init_var = tf.initialize_all_variables() # 操作初始化#模型 def setupNN(dSet, bDropout):    input_l1 = tf.nn.conv2d(dSet, weights_l1, [1, 2, 2, 1], padding = 'SAME')     output_l1 = tf.nn.relu(input_l1 + biases_l1)    shape = output_l1.get_shape().as_list()    reshape = tf.reshape(output_l1, [shape[0], shape[1] * shape[2] * shape[3]])    output_l3 = tf.nn.relu(tf.matmul(reshape, weights_l2) + biases_l2)    return tf.matmul(output_l3, weights) + biases

现在当我将这段代码转换成Keras时，我对num_filter和(kernel_1, kernel_2)应该填写哪些参数以匹配TensorFlow感到困惑。这些只是我写的Keras代码的片段，不是整个模型。

#第一层model.add(Convolution2D(num_filter, (kernel_1, kernel_2), input_shape = (1, nfeatures, 1), activation = 'relu'))#第二层model.add(Convolution2D(num_filter, (kernel_1, kernel_2), input_shape = (1, nfeatures, 1), activation = 'relu'))

当我添加kernel_initializers=**时，它会自动处理权重吗？

#全连接层model.add(Flatten())model.add(Dense(128, activation = 'relu', kernel_initializer=initializers.random_normal(stddev=0.01), bias_initializer = 'zeros'))

我知道我可以从fit()函数中输入batch_size

model.fit(train_dataset, train_labels, batch_size=100, nb_epoch=10, verbose=1,           validation_split=0.2, callbacks=[EarlyStopping(monitor='val_loss', patience=3)])

回答：

关于你的第一个问题，

num_filter是特征输出空间，(kernel_1, kernel_2) 是滤波器大小/卷积窗口。在你的例子中，你可以看到你的TensorFlow代码使用了tf.nn.conv2d。如果你查看文档，你会发现filter是第二个参数，在你的例子中是weights_l1。在这个例子中，patch_size, patch_size相当于核大小，而depth相当于num_filter。

关于第二个问题，如果你添加了kernel_initializers=**，这意味着权重或变量会被初始化为某些值。相同的概念也适用于TensorFlow，因为你的权重是一个变量，在开始时需要初始化为某些值。