DepthwiseConv2D
类tf_keras.layers.DepthwiseConv2D(
kernel_size,
strides=(1, 1),
padding="valid",
depth_multiplier=1,
data_format=None,
dilation_rate=(1, 1),
activation=None,
use_bias=True,
depthwise_initializer="glorot_uniform",
bias_initializer="zeros",
depthwise_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
depthwise_constraint=None,
bias_constraint=None,
**kwargs
)
逐层 2D 卷积。
逐层卷积是一种卷积类型,其中每个输入通道都使用不同的卷积核(称为逐层卷积核)进行卷积。你可以将逐层卷积理解为逐层可分离卷积的第一步。
它通过以下步骤实现:
depth_multiplier
输出通道的独立逐层卷积核对每个通道进行卷积。与常规 2D 卷积不同,逐层卷积不会混合不同输入通道之间的信息。
参数 depth_multiplier
决定了应用于一个输入通道的滤波器数量。因此,它控制了在逐层步骤中每个输入通道生成的输出通道数量。
参数
dilation_rate
值不兼容。'valid'
或 'same'
之一(不区分大小写)。"valid"
表示不进行填充。"same"
表示在输入的左/右或上/下均匀填充零,以使输出与输入具有相同的高度/宽度维度。filters_in * depth_multiplier
。channels_last
(默认)或 channels_first
之一。输入维度的顺序。channels_last
对应于形状为 (batch_size, height, width, channels)
的输入,而 channels_first
对应于形状为 (batch_size, channels, height, width)
的输入。如果未指定,则使用 TF-Keras 配置文件 ~/.keras/keras.json
中找到的 image_data_format
值(如果存在),否则为 'channels_last'。默认为 'channels_last'。dilation_rate
值与指定任何不等于 1 的 strides
值不兼容。keras.activations
)。keras.initializers
)。如果为 None,将使用默认初始化器('glorot_uniform')。keras.initializers
)。如果为 None,将使用默认初始化器('zeros')。keras.regularizers
)。keras.regularizers
)。keras.regularizers
)。keras.constraints
)。keras.constraints
)。输入形状
如果 data_format='channels_first',则形状为 [batch_size, channels, rows, cols]
的 4D 张量;如果 data_format='channels_last',则形状为 [batch_size, rows, cols, channels]
的 4D 张量。
输出形状
如果 data_format='channels_first'
,则形状为 [batch_size, channels * depth_multiplier, new_rows, new_cols]
的 4D 张量;如果 data_format='channels_last'
,则形状为 [batch_size, new_rows, new_cols, channels * depth_multiplier]
的 4D 张量。rows
和 cols
的值可能由于填充而改变。
返回值
一个 4 阶张量,表示 activation(depthwiseconv2d(inputs, kernel) + bias)
。
抛出
padding
是 "causal"。strides
> 1 和 dilation_rate
> 1 同时指定时。