Tensorflow.js tf.layers.conv2d() Función

Tensorflow.js es un conjunto de herramientas de código abierto desarrollado por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el navegador o en la plataforma del Node. También permite a los desarrolladores crear modelos de aprendizaje automático en JavaScript y utilizarlos directamente en el navegador o con Node.js.

La función tf.layers.conv2d() se usa para aplicar la operación de convolución 2D en los datos.

Sintaxis:

tf.layers.conv2d(args)

Parámetros: Acepta el objeto args el cual puede tener las siguientes propiedades:

• filtros (número): La dimensionalidad del espacio de salida (es decir, el número de filtros en la convolución).
• kernelSize (number|number[]): las dimensiones de la ventana de convolución. La ventana convolucional será cuadrada si kernelSize es un número.
• zancadas (número|número[]): Las zancadas convolucionales en cada dimensión. Los pasos en ambas dimensiones son iguales si los pasos son un número.
• relleno: El modo de relleno.
• dataFormat: El formato de datos. Esto especifica el orden en el que se ordenan las dimensiones en las entradas. channelLast es el valor predeterminado.
• dilationRate: en cada dimensión, la tasa de dilatación que se utilizará para la convolución dilatada. Debe ser un entero o una array de dos o tres enteros.
• activación: La función de activación de la capa.
• useBias (booleano): si la capa tiene un vector de sesgo o no. Verdadero es el valor predeterminado.
• kernelInitializer: el inicializador de la array de pesos del kernel convolucional.
• biasInitializer: el inicializador del vector de polarización.
• kernelConstraint: La restricción para los pesos del núcleo convolucional.
• biasConstraint: la restricción para el vector de sesgo.
• kernelRegularizer: la función de regularización aplicada a la array de pesos del kernel.
• biasRegularizer: la función de regularización aplicada al vector de sesgo.
• activityRegularizer: La función de regularizador aplicada a la activación.
• inputShape: si se establece esta propiedad, se utilizará para construir una capa de entrada que se insertará antes de esta capa. 
• batchInputShape: si se establece esta propiedad, se creará e insertará una capa de entrada antes de esta capa. 
• batchSize: si no se proporciona batchInputShape y sí inputShape, se utiliza batchSize para crear el batchInputShape.
• dtype: Es el tipo de tipo de datos para esta capa. float32 es el valor predeterminado. Este parámetro se aplica exclusivamente a las capas de entrada.
• nombre: Este es el nombre de la capa y es de tipo string.
• entrenable: si los pesos de esta capa se pueden cambiar por ajuste. Verdadero es el valor predeterminado.
• pesos: Los valores de peso iniciales de la capa.

Devoluciones: Devuelve un objeto (Conv2D).

Ejemplo 1:

import * as tf from "@tensorflow/tfjs";
  
const input = tf.input({ shape: [4, 4, 4] });
const conv2DLayer = tf.layers.conv2d({ filters: 2, kernelSize: 2});
const output = conv2DLayer.apply(input);
  
const model = tf.model({ inputs: input, outputs: output });
model.predict(tf.ones([1, 4, 4, 4])).print();

Producción:

Tensor
   [[[[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]],
     [[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]],
     [[1.1710266, -1.0081921],
      [1.1710266, -1.0081921],
      [1.1710266, -1.0081921]]]]

Ejemplo 2:

import * as tf from "@tensorflow/tfjs";
  
const input = tf.input({ shape: [4, 4, 1] });
  
const conv2DLayer = tf.layers
    .conv2d({ filters: 2, kernelSize: 3});
      
const output = conv2DLayer.apply(input);
  
const model = tf.model({ inputs: input, outputs: output });
  
const x = tf.tensor4d([1, 2, 3, 4, 5, 6, 7, 8, 
    9, 10, 11, 12, 13, 14, 15, 16], [1, 4, 4, 1]);
  
model.predict(x).print();

Producción:

Tensor
   [[[[2.3521864, 1.9806139],
      [2.9982643, 2.055856 ]],
     [[4.9365001, 2.2815819],
      [5.5825787, 2.3568242]]]]

Referencia: https://js.tensorflow.org/api/latest/#layers.conv2d