Python tf.keras.layers.LocallyConnected2D用法及代码示例

Locally-connected 层用于 2D 输入。

继承自：Layer，Module

用法

tf.keras.layers.LocallyConnected2D(
    filters, kernel_size, strides=(1, 1), padding='valid',
    data_format=None, activation=None, use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros', kernel_regularizer=None,
    bias_regularizer=None, activity_regularizer=None, kernel_constraint=None,
    bias_constraint=None, implementation=1, **kwargs
)

参数

filters 整数，输出空间的维度(即卷积中输出滤波器的数量)。
kernel_size 一个整数或 2 个整数的元组/列表，指定 2D 卷积窗口的宽度和高度。可以是单个整数，为所有空间维度指定相同的值。
strides 一个整数或 2 个整数的元组/列表，指定卷积沿宽度和高度的步幅。可以是单个整数，为所有空间维度指定相同的值。
padding 目前仅支持"valid"(不区分大小写)。将来会支持"same"。 "valid" 表示没有填充。
data_format 一个字符串，是 channels_last (默认)或 channels_first 之一。输入中维度的排序。 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。它默认为您的 Keras 配置文件中的 image_data_format 值 ~/.keras/keras.json 。如果您从未设置它，那么它将是"channels_last"。
activation 要使用的激活函数。如果您未指定任何内容，则不会应用任何激活(即 "linear" 激活：a(x) = x )。
use_bias 布尔值，层是否使用偏置向量。
kernel_initializer kernel 权重矩阵的初始化程序。
bias_initializer 偏置向量的初始化器。
kernel_regularizer 应用于kernel 权重矩阵的正则化函数。
bias_regularizer 应用于偏置向量的正则化函数。
activity_regularizer 应用于层输出的正则化函数("activation")。
kernel_constraint 应用于核矩阵的约束函数。
bias_constraint 应用于偏置向量的约束函数。
implementation 实现模式，可以是 1 , 2 ，也可以是 3 。 1 循环输入空间位置以执行前向传递。它节省内存，但执行很多(小)操作。 2 将层权重存储在一个密集但 sparsely-populated 2D 矩阵中，并将前向传递实现为单个 matrix-multiply。它使用大量 RAM，但执行很少(大)操作。 3 将层权重存储在稀疏张量中，并将前向传递实现为单个稀疏matrix-multiply。如何选择：1：大，密集模型，2：小模型，3：大，稀疏模型，其中"large"代表大输入/输出激活(即许多filters , input_filters，大np.prod(input_size) , np.prod(output_size) ) 和 "sparse" 代表输入和输出之间的连接少，即小比率 filters * input_filters * np.prod(kernel_size) / (np.prod(input_size) * np.prod(strides)) ，其中假设层的输入和输出分别具有形状 input_size + (input_filters,) , output_size + (filters,)。建议在感兴趣的设置中对每个进行基准测试，以选择最有效的一个(在速度和内存使用方面)。正确选择实现可以显著提高速度(例如 50 倍)，但可能会以 RAM 为代价。此外，implementation=1 仅支持 padding="valid" 。

LocallyConnected2D 层的工作方式与Conv2D 层类似，不同之处在于权重是不共享的，即在输入的每个不同块上应用一组不同的过滤器。

注意：图层调用一次后不能修改图层属性(trainable 属性除外)。

例子：

# apply a 3x3 unshared weights convolution with 64 output filters on a
    32x32 image
    # with `data_format="channels_last"`:
    model = Sequential()
    model.add(LocallyConnected2D(64, (3, 3), input_shape=(32, 32, 3)))
    # now model.output_shape == (None, 30, 30, 64)
    # notice that this layer will consume (30*30)*(3*3*3*64) + (30*30)*64
    parameters

    # add a 3x3 unshared weights convolution on top, with 32 output filters:
    model.add(LocallyConnected2D(32, (3, 3)))
    # now model.output_shape == (None, 28, 28, 32)

输入形状：

具有形状的 4D 张量：(samples, channels, rows, cols) if data_format='channels_first' 或具有形状的 4D 张量：(samples, rows, cols, channels) if data_format='channels_last'。

输出形状：

具有形状的 4D 张量：(samples, filters, new_rows, new_cols) if data_format='channels_first' 或具有形状的 4D 张量：(samples, new_rows, new_cols, filters) if data_format='channels_last'。 rows 和 cols 值可能由于填充而发生了变化。

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.layers.LocallyConnected2D。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。