SeparableConv2D 层

[源码]

SeparableConv2D 类

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 > 1 与 dilation_rate > 1 不兼容。
• padding: string，可选 "valid" 或 "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" 且 strides=1 时，输出大小与输入大小相同。
• data_format: string，可选 "channels_last" 或 "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)