► Keras 3 API 文档 / 层 API / 卷积层 / SeparableConv1D 层

SeparableConv1D 层

`SeparableConv1D` class

keras.layers.SeparableConv1D(
    filters,
    kernel_size,
    strides=1,
    padding="valid",
    data_format=None,
    dilation_rate=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
)

一维可分离卷积层.

该层执行一个按通道分离的深度卷积,然后执行一个逐点卷积来混合通道.如果use_bias为True并且提供了偏置初始化器,它会在输出中添加一个偏置向量.然后,它可以选择性地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 tuple/list 包含1个整数,指定深度卷积窗口的大小. strides: int 或 tuple/list 包含1个整数,指定深度卷积的步长长度.如果只指定了一个整数,则所有维度将使用相同的步长大小.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,输出大小与输入相同. data_format: string, 可以是 "channels_last" 或 "channels_first".输入中维度的顺序."channels_last" 对应输入形状 (batch, steps, features),而 "channels_first" 对应输入形状 (batch, features, steps).默认为 ~/.keras/keras.json 中的 image_data_format 值.如果你从未设置过它,那么它将是 "channels_last". dilation_rate: int 或 tuple/list 包含1个整数,指定用于扩张卷积的扩张率.如果只指定了一个整数,则所有维度将使用相同的扩张率. 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,则会在输出中添加偏置. 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: 可选投影函数,在 Optimizer 更新深度卷积核后应用（例如用于范数约束或层权重的值约束）.该函数必须接受未投影变量作为输入,并返回具有相同形状的投影变量. pointwise_constraint: 可选投影函数,在 Optimizer 更新逐点卷积核后应用. bias_constraint: 可选投影函数,在 Optimizer 更新偏置后应用.

输入形状:

如果 data_format="channels_last": 形状为 (batch_shape, steps, channels) 的 3D 张量
如果 data_format="channels_first": 形状为 (batch_shape, channels, steps) 的 3D 张量

输出形状:

如果 data_format="channels_last": 形状为 (batch_shape, new_steps, filters) 的 3D 张量
如果 data_format="channels_first": 形状为 (batch_shape, filters, new_steps) 的 3D 张量

返回: 表示 activation(separable_conv1d(inputs, kernel) + bias) 的 3D 张量.

示例:

>>> x = np.random.rand(4, 10, 12)
>>> y = keras.layers.SeparableConv1D(3, 4, 3, 2, activation='relu')(x)
>>> print(y.shape)
(4, 4, 4)

SeparableConv1D 层

SeparableConv1D class

SeparableConv1D 层

SeparableConv1D class

`SeparableConv1D` class