tf.nn.depthwise_conv2d实现深度卷积

tf.nn.depthwise_conv2d实现的深度卷积和普通的tf.nn.conv2d区别：

普通的卷积：

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

除去name参数用以指定该操作的name，与方法有关的一共五个参数：

input：

指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一

filter：

相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维

strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4

其为长度为4的一阶张量，并且要求strides[0]=strides[3]=1，strides[1]，strides[2]决定卷积核在输入图像in_hight，in_width方向的滑动步长

padding：

string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的卷积方式

use_cudnn_on_gpu：

bool类型，是否使用cudnn加速，默认为true

 

结果返回一个Tensor，这个输出，就是我们常说的feature map

最后feature map的个数为卷积核的个数

tf.nn.depthwise_conv2d实现深度卷积

tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,data_format=None)

除去name参数用以指定该操作的name，data_format指定数据格式，与方法有关的一共五个参数：

input：

指需要做卷积的输入图像，要求是一个4维Tensor，具有[batch, height, width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]

filter：

相当于CNN中的卷积核，要求是一个4维Tensor，具有[filter_height, filter_width, in_channels, channel_multiplier]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，输入通道数，输出卷积乘子]，同理这里第三维in_channels，就是参数value的第四维

strides：

卷积的滑动步长。

padding：

string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同边缘填充方式。

rate：

这个参数的详细解释见【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？

结果返回一个Tensor，shape为[batch, out_height, out_width, in_channels * channel_multiplier]，注意这里输出通道变成了in_channels * channel_multiplier

最后输出的通道数为图片的通道数*卷积核的个数。

参考：https://blog.youkuaiyun.com/mao_xiao_feng/article/details/78003476