深度可分离卷积的Depth，Stack，Channel Multiplier

最新推荐文章于 2022-10-13 01:02:14 发布

原创

最新推荐文章于 2022-10-13 01:02:14 发布 · 2.2k 阅读

3 ·

CC 4.0 BY-SA版权

本文深入探讨深度可分离卷积的不同方面，包括单通道和双通道卷积的差异，堆叠与非堆叠滤波器的实现，以及Channel Multiplier参数的影响。通过实例展示了输入数据、滤波器的结构以及输出计算过程，帮助理解这种轻量级卷积操作的工作原理。

通道数目的不同

单通道的卷积

下面的代码测试了仅仅一个属性（depth是1）的深度卷积，其结果和普通卷积是一样的：

async function depthwiseConv2dTestSingleDepth() {
  const fSize = 2;
  const pad = 'valid';
  const stride = 1;
  const chMul = 1;
  const inDepth = 1;
  const x = tf.tensor4d(
      [
        0, 1, 2, 5, 0, 5,
        0, 1, 5
      ],
      [1, 3, 3, inDepth]);
  const w = tf.tensor4d(
      [1.0, 2.0, 2.0, 2.0],
      [fSize, fSize, inDepth, chMul],
  );   
  const result = tf.depthwiseConv2d(x, w, stride, pad);
  result.print();
}

输出是：

Tensor
    [[[[12],
       [15]],
       [[7 ],
       [22]]]]

如下图（依次是：输入数据，滤波器，输出）演示了输出12的参与卷积的数据：
在这里插入图片描述

双通道的卷积

下面是深度是2的情况（NHWC）。输入数据是两个通道（假设是红色，黄色），每个通道大小是2x2。因此输入数据的形状是：1x2x2x2。卷积提供了两个窗口（假设是红色，黄色），每个窗口提取一个通道的属性。滤波器的形状是2x2x2x1。因此输出数据是两个通道。同时pading模式是valid，因此每个通道输出数据的大小是1x1。输出数据的形状是：1x1x2。

/*
[ [ [[6, 2],]]]
*/
async function depthwiseConv2dTestMultipleDepth3() {
  const fSize = 2;
  const pad = 'valid';
  const stride = 1;
  //const dilation = 2;
  const inDepth = 2;

  const x = tf.tensor4d(
      [
        0, 1, 3, 1,
        0, 2, 2, 1,
      ],
      [1, fSize, fSize, inDepth]);

  const w =
      tf.stack(
            [
              tf.tensor2d(
                [2,0,1,3], [fSize, fSize]),
              tf.tensor2d(
                [1,0,0,1], [fSize, fSize])
            ],
            2).expandDims(3);// as tf.Tensor4D;

  const result = tf.depthwiseConv2d(x, w, stride, pad);
  result.print();
}

输入数据是下面的：

  [
    0, 1, 3, 1,
    0, 2, 2, 1,
  ],

最低0.47元/天解锁文章