Python tf.keras.layers.LocallyConnected2D用法及代碼示例

Locally-connected 層用於 2D 輸入。

繼承自：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
)

參數

filters 整數，輸出空間的維度(即卷積中輸出濾波器的數量)。
kernel_size 一個整數或 2 個整數的元組/列表，指定 2D 卷積窗口的寬度和高度。可以是單個整數，為所有空間維度指定相同的值。
strides 一個整數或 2 個整數的元組/列表，指定卷積沿寬度和高度的步幅。可以是單個整數，為所有空間維度指定相同的值。
padding 目前僅支持"valid"(不區分大小寫)。將來會支持"same"。 "valid" 表示沒有填充。
data_format 一個字符串，是 channels_last (默認)或 channels_first 之一。輸入中維度的排序。 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。它默認為您的 Keras 配置文件中的 image_data_format 值 ~/.keras/keras.json 。如果您從未設置它，那麽它將是"channels_last"。
activation 要使用的激活函數。如果您未指定任何內容，則不會應用任何激活(即 "linear" 激活：a(x) = x )。
use_bias 布爾值，層是否使用偏置向量。
kernel_initializer kernel 權重矩陣的初始化程序。
bias_initializer 偏置向量的初始化器。
kernel_regularizer 應用於kernel 權重矩陣的正則化函數。
bias_regularizer 應用於偏置向量的正則化函數。
activity_regularizer 應用於層輸出的正則化函數("activation")。
kernel_constraint 應用於核矩陣的約束函數。
bias_constraint 應用於偏置向量的約束函數。
implementation 實現模式，可以是 1 , 2 ，也可以是 3 。 1 循環輸入空間位置以執行前向傳遞。它節省內存，但執行很多(小)操作。 2 將層權重存儲在一個密集但 sparsely-populated 2D 矩陣中，並將前向傳遞實現為單個 matrix-multiply。它使用大量 RAM，但執行很少(大)操作。 3 將層權重存儲在稀疏張量中，並將前向傳遞實現為單個稀疏matrix-multiply。如何選擇：1：大，密集模型，2：小模型，3：大，稀疏模型，其中"large"代表大輸入/輸出激活(即許多filters , input_filters，大np.prod(input_size) , np.prod(output_size) ) 和 "sparse" 代表輸入和輸出之間的連接少，即小比率 filters * input_filters * np.prod(kernel_size) / (np.prod(input_size) * np.prod(strides)) ，其中假設層的輸入和輸出分別具有形狀 input_size + (input_filters,) , output_size + (filters,)。建議在感興趣的設置中對每個進行基準測試，以選擇最有效的一個(在速度和內存使用方麵)。正確選擇實現可以顯著提高速度(例如 50 倍)，但可能會以 RAM 為代價。此外，implementation=1 僅支持 padding="valid" 。

LocallyConnected2D 層的工作方式與Conv2D 層類似，不同之處在於權重是不共享的，即在輸入的每個不同塊上應用一組不同的過濾器。

注意：圖層調用一次後不能修改圖層屬性(trainable 屬性除外)。

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)

輸入形狀：

具有形狀的 4D 張量：(samples, channels, rows, cols) if data_format='channels_first' 或具有形狀的 4D 張量：(samples, rows, cols, channels) if data_format='channels_last'。

輸出形狀：

具有形狀的 4D 張量：(samples, filters, new_rows, new_cols) if data_format='channels_first' 或具有形狀的 4D 張量：(samples, new_rows, new_cols, filters) if data_format='channels_last'。 rows 和 cols 值可能由於填充而發生了變化。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.layers.LocallyConnected2D。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。