Python tf.nn.depthwise_conv2d用法及代码示例

深度二维卷积。

用法

tf.nn.depthwise_conv2d(
    input, filter, strides, padding, data_format=None, dilations=None, name=None
)

给定一个 4D 输入张量('NHWC' 或 'NCHW' 数据格式)和形状为 [filter_height, filter_width, in_channels, channel_multiplier] 的滤波器张量，其中包含深度为 1 的 in_channels 卷积滤波器，depthwise_conv2d 对每个输入通道应用不同的滤波器(从 1通道到每个通道的channel_multiplier 通道)，然后将结果连接在一起。输出具有in_channels * channel_multiplier 通道。

详细地说，使用默认的 NHWC 格式，

output[b, i, j, k * channel_multiplier + q] = sum_{di, dj}
     filter[di, dj, k, q] * input[b, strides[1] * i + rate[0] * di,
                                     strides[2] * j + rate[1] * dj, k]

必须有 strides[0] = strides[3] = 1 。对于相同水平和垂直步幅的最常见情况，strides = [1, stride, stride, 1]。如果 rate 中的任何值大于 1，我们将执行深度深度卷积，在这种情况下，strides 张量中的所有值都必须等于 1。

使用示例：

x = np.array([
    [1., 2.],
    [3., 4.],
    [5., 6.]
], dtype=np.float32).reshape((1, 3, 2, 1))
kernel = np.array([
    [1., 2.],
    [3., 4]
], dtype=np.float32).reshape((2, 1, 1, 2))
tf.nn.depthwise_conv2d(x, kernel, strides=[1, 1, 1, 1],
                       padding='VALID').numpy()
  array([[[[10., 14.],
           [14., 20.]],
          [[18., 26.],
           [22., 32.]]]], dtype=float32)

tf.nn.depthwise_conv2d(x, kernel, strides=[1, 1, 1, 1],
                       padding=[[0, 0], [1, 0], [1, 0], [0, 0]]).numpy()
  array([[[[ 0.,  0.],
           [ 3.,  4.],
           [ 6.,  8.]],
          [[ 0.,  0.],
           [10., 14.],
           [14., 20.]],
          [[ 0.,  0.],
           [18., 26.],
           [22., 32.]]]], dtype=float32)