SeparableConv2D 層

[來源]

SeparableConv2D 類別

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 可分離卷積層。

此層執行深度可分離卷積，其在通道上分別運作，然後執行逐點卷積以混合通道。如果 use_bias 為 True 且提供了偏差初始化器，則會將偏差向量加到輸出。然後，它可以選擇性地應用激活函數以產生最終輸出。

參數

• filters: int，輸出空間的維度（即逐點卷積中的濾波器數量）。
• kernel_size: int 或 2 個整數的元組/列表，指定深度可分離卷積視窗的大小。
• strides: int 或 2 個整數的元組/列表，指定深度可分離卷積的步幅長度。如果僅指定一個 int，則所有維度都將使用相同的步幅大小。strides > 1 與 dilation_rate > 1 不相容。
• padding: 字串，"valid" 或 "same"（不區分大小寫）。"valid" 表示不填充。"same" 會均勻地填充輸入的左/右或上/下。當 padding="same" 且 strides=1 時，輸出與輸入的大小相同。
• data_format: 字串，"channels_last" 或 "channels_first"。輸入中維度的順序。"channels_last" 對應於形狀為 (batch, height, width, channels) 的輸入，而 "channels_first" 對應於形狀為 (batch, channels, height, width) 的輸入。它預設為在您的 Keras 設定檔 ~/.keras/keras.json 中找到的 image_data_format 值。如果您從未設定它，則它將為 "channels_last"。
• dilation_rate: int 或 2 個整數的元組/列表，指定用於擴張卷積的擴張率。如果僅指定一個 int，則所有維度都將使用相同的擴張率。
• depth_multiplier: 每個輸入通道的深度可分離卷積輸出通道數。深度可分離卷積輸出通道的總數將等於 input_channel * depth_multiplier。
• activation: 激活函數。如果為 None，則不應用激活函數。
• use_bias: bool，如果為 True，則偏差將被添加到輸出。
• depthwise_initializer: 深度可分離卷積核的初始化器。如果為 None，則將使用預設初始化器 ("glorot_uniform")。
• pointwise_initializer: 逐點卷積核的初始化器。如果為 None，則將使用預設初始化器 ("glorot_uniform")。
• bias_initializer: 偏差向量的初始化器。如果為 None，則將使用預設初始化器 ('"zeros"')。
• depthwise_regularizer: 深度可分離卷積核的可選正規化器。
• pointwise_regularizer: 逐點卷積核的可選正規化器。
• bias_regularizer: 偏差向量的可選正規化器。
• activity_regularizer: 輸出的可選正規化函數。
• depthwise_constraint: 可選的投影函數，在 Optimizer 更新深度可分離核後應用於該核（例如，用於層權重的範數約束或值約束）。該函數必須將未投影的變數作為輸入，並且必須傳回投影的變數（其必須具有相同的形狀）。
• pointwise_constraint: 可選的投影函數，在 Optimizer 更新逐點核後應用於該核。
• bias_constraint: 可選的投影函數，在 Optimizer 更新偏差後應用於偏差。

輸入形狀

• 如果 data_format="channels_last"：具有形狀的 4D 張量：(batch_size, height, width, channels)
• 如果 data_format="channels_first"：具有形狀的 4D 張量：(batch_size, channels, height, width)

輸出形狀

• 如果 data_format="channels_last"：具有形狀的 4D 張量：(batch_size, new_height, new_width, filters)
• 如果 data_format="channels_first"：具有形狀的 4D 張量：(batch_size, filters, new_height, new_width)

返回

表示 activation(separable_conv2d(inputs, kernel) + bias) 的 4D 張量。

範例

>>> 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)