Python tf.nn.separable_conv2d用法及代码示例

带有可分离滤波器的二维卷积。

用法

tf.nn.separable_conv2d(
    input, depthwise_filter, pointwise_filter, strides, padding, data_format=None,
    dilations=None, name=None
)

参数

input 4-D Tensor 形状根据 data_format 。
depthwise_filter 4-D Tensor 形状为 [filter_height, filter_width, in_channels, channel_multiplier] 。包含深度为 1 的 in_channels 卷积滤波器。
pointwise_filter 4-D Tensor 形状为 [1, 1, channel_multiplier * in_channels, out_channels] 。 depthwise_filter 空间卷积后的逐点过滤以混合通道。
strides 大小为 4 的一维。input 的每个维度的深度卷积的步幅。
padding 控制在应用深度卷积之前如何填充图像。可以是字符串 "SAME" 或 "VALID" 指示要使用的填充算法的类型，或者是一个 Python 列表，指示每个维度的开始和结束处的显式填充。当使用显式填充且 data_format 为 "NHWC" 时，应采用 [[0, 0], [pad_top, pad_bottom], [pad_left, pad_right], [0, 0]] 的形式。当使用显式填充且 data_format 为 "NCHW" 时，应采用 [[0, 0], [0, 0], [pad_top, pad_bottom], [pad_left, pad_right]] 的形式。
data_format 输入的数据格式。 "NHWC"(默认)或"NCHW"。
dilations 大小为 2 的 1-D。我们在空洞卷积中跨 height 和 width 维度对输入值进行采样的膨胀率。如果大于 1，则所有步幅值都必须为 1。
name 此操作的名称(可选)。

一个 4-D Tensor，形状根据 'data_format'。例如，data_format="NHWC"，形状为 [batch, out_height, out_width, out_channels]。

执行单独作用于通道的深度卷积，然后执行混合通道的点卷积。请注意，这是维度 [1, 2] 和 3 之间的可分离性，而不是维度 1 和 2 之间的空间可分离性。

详细地说，使用默认的 NHWC 格式，

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

strides 仅控制深度卷积的步幅，因为逐点卷积的隐含步幅为 [1, 1, 1, 1] 。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。

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.nn.separable_conv2d。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。

用法

参数

返回