可分离卷积2D层

[source]

SeparableConv2D class

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.

该层执行一个在通道上分别作用的深度卷积,然后是一个混合通道的点卷积. 如果 use_bias 为 True 并且提供了偏置初始化器, 它会将偏置向量添加到输出中.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（即点卷积中的滤波器数量）. kernel_size: int 或 tuple/list of 2 integers, 指定深度卷积窗口的大小. strides: int 或 tuple/list of 2 integers, 指定深度卷积的步长长度.如果只指定了一个 int,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" 会导致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". 输入中维度的顺序."channels_last" 对应于形状为 (batch, height, width, channels) 的输入,而 "channels_first" 对应于形状为 (batch, channels, height, width) 的输入.它默认为在 ~/.keras/keras.json 中的 image_data_format 值. 如果你从未设置它,那么它将是 "channels_last". dilation_rate: int 或 tuple/list of 2 integers, 指定用于扩张卷积的扩张率.如果只指定了一个 int,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: 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: 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,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的变量作为输入,并返回具有相同形状的投影变量. pointwise_constraint: 可选的投影函数,在 Optimizer 更新点卷积核后应用. bias_constraint: 可选的投影函数,在 Optimizer 更新偏置后应用.

输入形状:

• 如果 data_format="channels_last": 形状为 (batch_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: 表示 activation(separable_conv2d(inputs, kernel) + bias) 的 4D 张量.

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)