Keras 3 API 文档 / 层 API / 卷积层 / SeparableConv2D 层

SeparableConv2D 层

[源码]

SeparableConv2D

keras.layers.SeparableConv2D(
    filters,
    kernel_size,
    strides=(1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1),
    depth_multiplier=1,
    activation=None,
    use_bias=True,
    depthwise_initializer="glorot_uniform",
    pointwise_initializer="glorot_uniform",
    bias_initializer="zeros",
    depthwise_regularizer=None,
    pointwise_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    depthwise_constraint=None,
    pointwise_constraint=None,
    bias_constraint=None,
    **kwargs
)

2D 可分离卷积层。

此层首先执行对通道单独操作的深度可分离卷积,然后执行混合通道的点式卷积。如果 use_bias 为 True 且提供了偏置初始化器,则会将一个偏置向量添加到输出。之后,可以选择应用激活函数以产生最终输出。

参数

  • filters: int,输出空间的维度(即点式卷积中的滤波器数量)。
  • kernel_size: int 或包含 2 个整数的 tuple/list,指定深度可分离卷积窗口的大小。
  • strides: int 或包含 2 个整数的 tuple/list,指定深度可分离卷积的步长。如果只指定一个 int,则所有维度都将使用相同的步长。strides > 1dilation_rate > 1 不兼容。
  • padding: string,可选 "valid""same"(不区分大小写)。"valid" 表示无填充。"same" 会对输入进行均匀填充,以使输出大小与输入大小相同(当 strides=1 时)。当 padding="same"strides=1 时,输出大小与输入大小相同。
  • data_format: string,可选 "channels_last""channels_first"。输入中维度的顺序。"channels_last" 对应形状为 (batch, height, width, channels) 的输入,而 "channels_first" 对应形状为 (batch, channels, height, width) 的输入。默认为 Keras 配置文件 ~/.keras/keras.json 中找到的 image_data_format 值。如果从未设置过,则默认为 "channels_last"
  • dilation_rate: int 或包含 2 个整数的 tuple/list,指定用于扩张卷积的扩张率。如果只指定一个 int,则所有维度都将使用相同的扩张率。
  • depth_multiplier: 每个输入通道的深度可分离卷积输出通道数量。深度可分离卷积的总输出通道数量将等于 input_channel * depth_multiplier
  • activation: 激活函数。如果为 None,则不应用激活。
  • use_bias: bool,如果为 True,则将偏置添加到输出。
  • depthwise_initializer: 深度可分离卷积核的初始化器。如果为 None,则使用默认初始化器 ("glorot_uniform")。
  • pointwise_initializer: 点式卷积核的初始化器。如果为 None,则使用默认初始化器 ("glorot_uniform")。
  • bias_initializer: 偏置向量的初始化器。如果为 None,则使用默认初始化器 ("zeros")。
  • depthwise_regularizer: 深度可分离卷积核的可选正则化器。
  • pointwise_regularizer: 点式卷积核的可选正则化器。
  • bias_regularizer: 偏置向量的可选正则化器。
  • activity_regularizer: 输出的可选正则化函数。
  • depthwise_constraint: 可选的投影函数,用于在 Optimizer 更新深度卷积核后对其应用(例如,用于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,并返回投影后的变量(必须具有相同的形状)。
  • pointwise_constraint: 可选的投影函数,用于在 Optimizer 更新点式卷积核后对其应用。
  • bias_constraint: 可选的投影函数,用于在 Optimizer 更新偏置后对其应用。

输入形状

  • 如果 data_format="channels_last":形状为 (batch_size, height, width, channels) 的 4D 张量。
  • 如果 data_format="channels_first":形状为 (batch_size, channels, height, width) 的 4D 张量。

输出形状

  • 如果 data_format="channels_last":形状为 (batch_size, new_height, new_width, filters) 的 4D 张量。
  • 如果 data_format="channels_first":形状为 (batch_size, filters, new_height, new_width) 的 4D 张量。

返回

一个 4D 张量,表示 activation(separable_conv2d(inputs, kernel) + bias)

示例

>>> x = np.random.rand(4, 10, 10, 12)
>>> y = keras.layers.SeparableConv2D(3, 4, 3, 2, activation='relu')(x)
>>> print(y.shape)
(4, 4, 4, 4)