Tensorflow.js tf.layers.depthwiseConv2d()用法及代码示例

Tensorflow.js是Google开发的开源工具包，用于在浏览器或节点平台上执行机器学习模型和深度学习神经网络。它还使开发人员能够在 JavaScript 中创建机器学习模型，并直接在浏览器中或通过 Node.js 使用它们。

tf.layers.depthwiseConv2d() 函数用于对数据应用深度可分离的 2D 卷积运算。

用法:

tf.layers.depthwiseConv2d(args)

参数：它接受 args 对象，该对象可以具有以下属性：

• args:它是一个接受以下属性的对象。
  • 内核大小(数字|数字[])：卷积窗口的尺寸。如果 kernelSize 是数字，则卷积窗口将为正方形。
  • 深度乘数(数字)：对于每个输入通道，深度卷积输出通道的数量。 FiltersIn * 深度乘数将等于深度卷积输出通道的总数。 1 是默认值。
  • depthwiseInitializer:深度内核矩阵的初始值设定项。 GlorotNormal 是默认值。
  • depthwiseConstraint:深度核矩阵的约束。
  • depthwiseRegularizer:深度核矩阵的正则化函数。
  • 步幅(数字|数字[])：每个维度的卷积步长。如果步幅是数字，则两个维度的步幅相等。
  • padding:填充模式。
  • dataFormat:数据格式。这指定了输入中维度的排序顺序。 ChannelLast 是默认值。
  • dilationRate:在每个维度中，用于扩张卷积的扩张率。它应该是一个整数或一个二元或three-int 数组。
  • activation:该层的激活函数。
  • useBias(布尔值)：该层是否有偏差向量。 True 是默认值。
  • kernelInitializer:卷积核权重矩阵的初始值设定项。
  • biasInitializer:偏置向量的初始值设定项。
  • kernelConstraint:卷积核权重的约束。
  • biasConstraint:偏置向量的约束。
  • kernelRegularizer:应用于核权重矩阵的正则化函数。
  • biasRegularizer:应用于偏置向量的正则化函数。
  • activityRegularizer: 应用于激活的正则化函数。
  • inputShape: 如果设置了此属性，它将用于构造一个输入层，该输入层将插入到该层之前。
  • batchInputShape:如果设置了此属性，将创建一个输入层并将其插入到该层之前。
  • batchSize:如果未提供batchInputShape而提供了inputShape，则使用batchSize来构建batchInputShape。
  • dtype:这是该层的数据类型。 float32 是默认值。该参数仅适用于输入层。
  • name:这是图层的名称，是字符串类型。
  • trainable:如果该层的权重可以通过拟合来改变。 True 是默认值。
  • weights:图层的初始权重值。
  • inputDType:它用于旧版支持。

返回：它返回一个对象(DepthwiseConv2D)。

示例 1：

import * as tf from "@tensorflow/tfjs";
const input = tf.input({ shape: [4, 4, 4] });
const depthwiseConv2DLayer = tf.layers.depthwiseConv2d({
    kernelSize: 2, 
    depthMultiplier: 2 
});
const output = depthwiseConv2DLayer.apply(input);
const model = tf.model({ inputs: input, outputs: output });
model.predict(tf.ones([1, 4, 4, 4])).print();

输出：

Tensor
   [[[[0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],
      [0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],
      [0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304]],
     [[0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],
      [0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],
      [0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304]],
     [[0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],
      [0.25322, -0.140555, 0.4617286, -0.447692, -0.5744522, -0.0203538, 0.3361098, -0.7265304],

示例 2：

import * as tf from "@tensorflow/tfjs";
const input = tf.input({ shape: [4, 4, 1] });
const depthwiseConv2DLayer = tf.layers.depthwiseConv2d({ 
    kernelSize: 3 
});
const output = depthwiseConv2DLayer.apply(input);
const model = tf.model({ inputs: input, outputs: output });
const x = tf.tensor4d(
    [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16], 
    [1, 4, 4, 1]
);
model.predict(x).print();

输出：

Tensor
   [[[[2.8932226],
      [2.8629632]],
     [[2.7721865],
      [2.7419279]]]]

参考： https://js.tensorflow.org/api/latest/#layers.depthwiseConv2d