DepthwiseConv1D
类keras.layers.DepthwiseConv1D(
kernel_size,
strides=1,
padding="valid",
depth_multiplier=1,
data_format=None,
dilation_rate=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
)
一维深度卷积层。
深度卷积是一种卷积类型,其中每个输入通道都与不同的卷积核(称为深度卷积核)进行卷积。你可以将深度卷积理解为深度可分离卷积的第一步。
它通过以下步骤实现
depth_multiplier
个输出通道的独立深度卷积核对每个通道进行卷积。与常规的一维卷积不同,深度卷积不会混合不同输入通道之间的信息。
`depth_multiplier` 参数决定了应用于一个输入通道的滤波器数量。因此,它控制了在深度卷积步骤中每个输入通道产生的输出通道数量。
参数
strides > 1
与 dilation_rate > 1
不兼容。"valid"
或 "same"
(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/下进行均匀填充。当 padding="same"
且 strides=1
时,输出大小与输入相同。input_channel * depth_multiplier
。"channels_last"
或 "channels_first"
。输入中维度的顺序。"channels_last"
对应于形状为 (batch, steps, features)
的输入,而 "channels_first"
对应于形状为 (batch, features, steps)
的输入。它默认为 Keras 配置文件 ~/.keras/keras.json
中找到的 image_data_format
值。如果你从未设置它,则默认为 "channels_last"
。None
,则不应用激活函数。True
,则会在输出中添加偏置项。None
,则使用默认初始化器 ("glorot_uniform"
)。None
,则使用默认初始化器 ("zeros"
)。Optimizer
更新卷积核后应用(例如,用于实现层权重的范数约束或值约束)。该函数必须接受未投影的变量作为输入,并返回投影后的变量(必须具有相同的形状)。在进行异步分布式训练时,使用约束可能不安全。Optimizer
更新偏置项后应用。输入形状
data_format="channels_last"
: 形状为 (batch_shape, steps, channels)
的 3D 张量data_format="channels_first"
: 形状为 (batch_shape, channels, steps)
的 3D 张量输出形状
data_format="channels_last"
: 形状为 (batch_shape, new_steps, channels * depth_multiplier)
的 3D 张量data_format="channels_first"
: 形状为 (batch_shape, channels * depth_multiplier, new_steps)
的 3D 张量返回
表示 activation(depthwise_conv1d(inputs, kernel) + bias)
的 3D 张量。
引发
strides > 1
和 dilation_rate > 1
都成立时。示例
>>> x = np.random.rand(4, 10, 12)
>>> y = keras.layers.DepthwiseConv1D(3, 3, 2, activation='relu')(x)
>>> print(y.shape)
(4, 4, 36)