Класс SeparableConv2D

Класс SeparableConv2D создает слой разделяемой двумерной свертки. В отличие от обычной свертки, разделяемая свертка выполняет две операции: сначала depthwise-свертку (каждый входной канал обрабатывается отдельным ядром), затем pointwise-свертку (смешивание каналов ядром 1×1). Первым параметром слой принимает количество фильтров filters, вторым - размер ядра kernel_size. Также можно указать шаг strides, тип паддинга padding, функцию активации activation и другие параметры.

Синтаксис

tf.keras.layers.SeparableConv2D(
	filters,
	kernel_size,
	strides=(1, 1),
	padding='valid',
	data_format=None,
	dilation_rate=(1, 1),
	groups=1,
	activation=None,
	use_bias=True,
	depth_multiplier=1,
	depthwise_initializer='glorot_uniform',
	pointwise_initializer='glorot_uniform',
	bias_initializer='zeros',
	depthwise_regularizer=None,
	pointwise_regularizer=None,
	bias_regularizer=None,
	activity_regularizer=None,
	depthwise_constraint=None,
	pointwise_constraint=None,
	bias_constraint=None
)

Пример

Давайте создадим слой разделяемой свертки с 32 фильтрами и ядром 3×3, а затем применим его к входному тензору:

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.SeparableConv2D(
	filters=32,
	kernel_size=(3, 3),
	activation='relu'
)

t = tf.random.normal((1, 28, 28, 3))
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 26, 26, 32)

Пример

Давайте создадим слой с шагом 2 и паддингом same, чтобы уменьшить пространственные размеры:

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.SeparableConv2D(
	filters=16,
	kernel_size=(3, 3),
	strides=(2, 2),
	padding='same'
)

t = tf.random.normal((1, 28, 28, 3))
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 14, 14, 16)

Пример

Давайте используем слой внутри модели Sequential для обработки изображений:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(28, 28, 3)),
	tf.keras.layers.SeparableConv2D(
		filters=32,
		kernel_size=(3, 3),
		activation='relu'
	),
	tf.keras.layers.GlobalAveragePooling2D(),
	tf.keras.layers.Dense(10, activation='softmax')
])

t = tf.random.normal((1, 28, 28, 3))
res = model(t)
print(res.shape)

Результат выполнения кода:

(1, 10)

Пример

Давайте создадим слой с depth_multiplier равным 2, чтобы увеличить количество каналов на этапе depthwise-свертки:

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.SeparableConv2D(
	filters=32,
	kernel_size=(3, 3),
	depth_multiplier=2,
	activation='relu'
)

t = tf.random.normal((1, 28, 28, 3))
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 26, 26, 32)

Смотрите также

класс Conv2D,
который создает обычную двумерную свертку
класс DepthwiseConv2D,
который выполняет только depthwise-свертку
класс Conv3D,
который создает трехмерную свертку
класс Conv2DTranspose,
который выполняет транспонированную свертку