Класс DepthwiseConv2D

Класс DepthwiseConv2D выполняет глубинную двумерную свертку над входными данными. В отличие от обычной свертки Conv2D, где каждый фильтр применяется ко всем входным каналам сразу, глубинная свертка применяет отдельный фильтр к каждому каналу независимо. Первым параметром передается размер ядра свертки (например, 3 или кортеж (3, 3)). Параметр strides задает шаг свертки, padding - режим дополнения ('valid' или 'same'), depth_multiplier - множитель числа выходных каналов на каждый входной канал, activation - функцию активации, use_bias - использовать ли смещение.

Синтаксис

tf.keras.layers.DepthwiseConv2D(
	kernel_size,
	strides=(1, 1),
	padding='valid',
	depth_multiplier=1,
	activation=None,
	use_bias=True,
	depthwise_initializer='glorot_uniform',
	bias_initializer='zeros'
)

Пример

Давайте создадим слой глубинной свертки с ядром 3 и применим его к тензору формы (1, 4, 4, 2):

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.DepthwiseConv2D(kernel_size=3, padding='same')
t = tf.constant([[[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]]]])
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 4, 4, 2)

Пример

Давайте используем параметр depth_multiplier, чтобы увеличить число выходных каналов в два раза:

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.DepthwiseConv2D(
	kernel_size=3,
	padding='same',
	depth_multiplier=2
)
t = tf.constant([[[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]]]])
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 4, 4, 4)

Пример

Давайте создадим модель с глубинной сверткой и функцией активации relu:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(4, 4, 2)),
	tf.keras.layers.DepthwiseConv2D(kernel_size=3, padding='same', activation='relu'),
	tf.keras.layers.Flatten(),
	tf.keras.layers.Dense(2)
])
t = tf.constant([[[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]],
	[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]]]])
res = model(t)
print(res.shape)

Результат выполнения кода:

(1, 2)

Смотрите также

класс Conv2D,
который выполняет обычную двумерную свертку
класс SeparableConv2D,
который выполняет разделимую двумерную свертку
класс Conv2DTranspose,
который выполняет транспонированную двумерную свертку
класс ZeroPadding2D,
который добавляет нулевое дополнение к двумерным данным