SeparableConv2D 层

[源代码]

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。

该层执行一个深度卷积（独立作用于通道），然后进行一个逐点卷积（混合通道）。如果 use_bias 为 True 并且提供了偏置初始化器，则会在输出中添加一个偏置向量。然后，它会根据需要应用一个激活函数来生成最终输出。

参数

• filters: int，输出空间的维度（即，逐点卷积中的滤波器数量）。
• kernel_size: int 或 2 个整数的元组/列表，指定深度卷积窗口的大小。
• strides: int 或 2 个整数的元组/列表，指定深度卷积的步幅长度。如果只指定一个整数，则所有维度将使用相同的步幅大小。strides > 1 与 dilation_rate > 1 不兼容。
• padding: string，可以是 "valid" 或 "same"（不区分大小写）。"valid" 表示不填充。"same" 会在输入的左/右或上/下均匀填充。当 padding="same" 且 strides=1 时，输出与输入大小相同。
• data_format: string，可以是 "channels_last" 或 "channels_first"。输入的维度顺序。"channels_last" 对应输入形状为 (batch, height, width, channels)，而 "channels_first" 对应输入形状为 (batch, channels, height, width)。它默认为 Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果您从未设置过，则默认为 "channels_last"。
• dilation_rate: int 或 2 个整数的元组/列表，指定用于空洞卷积的空洞率。如果只指定一个整数，则所有维度将使用相同的空洞率。
• depth_multiplier：每个输入通道的深度卷积输出通道数。深度卷积输出通道的总数将等于 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，则会将偏置添加到输出中。
• depthwise_initializer: 深度卷积核的初始化器。如果为 None，则将使用默认初始化器（"glorot_uniform"）。
• pointwise_initializer: 逐点卷积核的初始化器。如果为 None，则将使用默认初始化器（"glorot_uniform"）。
• bias_initializer: 偏置向量的初始化器。如果为 None，则将使用默认初始化器（"zeros"）。
• depthwise_regularizer: 深度卷积核的可选正则化器。
• pointwise_regularizer: 逐点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，用于在深度卷积核被 Optimizer 更新后对其进行应用（例如，用于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（其形状必须相同）。
• pointwise_constraint: 可选的投影函数，用于在逐点卷积核被 Optimizer 更新后对其进行应用。
• bias_constraint：可选的投影函数，用于在 Optimizer 更新偏置后应用于偏置。

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)