DepthwiseConv2D
类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
)
2D 深度可分离卷积层。
深度可分离卷积是一种卷积类型,其中每个输入通道都使用不同的核(称为深度核)进行卷积。你可以将深度可分离卷积理解为深度可分离卷积中的第一步。
其实现方式如下
depth_multiplier
个输出通道。与常规 2D 卷积不同,深度可分离卷积不会混合来自不同输入通道的信息。
depth_multiplier
参数决定了应用于一个输入通道的滤波器数量。因此,它控制了深度可分离步骤中每个输入通道生成的输出通道数量。
参数
strides > 1
与 dilation_rate > 1
不兼容。"valid"
或 "same"
(不区分大小写)。"valid"
表示无填充。"same"
表示在输入的左/右或上/下均匀填充。当 padding="same"
且 strides=1
时,输出与输入具有相同的大小。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, height, width, channels)
的输入,即通道在最后;而 "channels_first"
对应于形状为 (batch, channels, height, width)
的输入,即通道在最前。它默认为 Keras 配置文件 ~/.keras/keras.json
中的 image_data_format
值。如果你从未设置过,则默认为 "channels_last"
。None
,则不应用激活函数。True
,则将偏置项添加到输出中。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)。该函数必须将未投影的变量作为输入,并且必须返回投影后的变量(形状必须相同)。在异步分布式训练时,约束是不安全的。Optimizer
更新后应用。输入形状
data_format="channels_last"
(通道在最后):形状为 4D 张量:(batch_size, height, width, channels)
data_format="channels_first"
(通道在最前):形状为 4D 张量:(batch_size, channels, height, width)
输出形状
data_format="channels_last"
(通道在最后):形状为 4D 张量:(batch_size, new_height, new_width, channels * depth_multiplier)
data_format="channels_first"
(通道在最前):形状为 4D 张量:(batch_size, channels * depth_multiplier, new_height, new_width)
返回值
表示 activation(depthwise_conv2d(inputs, kernel) + bias)
的 4D 张量。
抛出异常
strides > 1
和 dilation_rate > 1
同时出现时。示例
>>> x = np.random.rand(4, 10, 10, 12)
>>> y = keras.layers.DepthwiseConv2D(kernel_size=3, activation='relu')(x)
>>> print(y.shape)
(4, 8, 8, 12)