快捷導(dǎo)航

Tensorflow tf.nn.depthwise_conv2d如何實(shí)現(xiàn)深度卷積的

更新時(shí)間：2020年04月20日 11:52:32 作者：xf__mao

這篇文章主要介紹了Tensorflow tf.nn.depthwise_conv2d如何實(shí)現(xiàn)深度卷積的，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

實(shí)驗(yàn)環(huán)境：tensorflow版本1.2.0，python2.7

介紹

depthwise_conv2d來源于深度可分離卷積:

Xception: Deep Learning with Depthwise Separable Convolutions

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

除去name參數(shù)用以指定該操作的name，data_format指定數(shù)據(jù)格式，與方法有關(guān)的一共五個(gè)參數(shù)：

input：
指需要做卷積的輸入圖像，要求是一個(gè)4維Tensor，具有[batch, height, width, in_channels]這樣的shape，具體含義是[訓(xùn)練時(shí)一個(gè)batch的圖片數(shù)量, 圖片高度, 圖片寬度, 圖像通道數(shù)]

filter：
相當(dāng)于CNN中的卷積核，要求是一個(gè)4維Tensor，具有[filter_height, filter_width, in_channels, channel_multiplier]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，輸入通道數(shù)，輸出卷積乘子]，同理這里第三維in_channels，就是參數(shù)value的第四維

strides：
卷積的滑動(dòng)步長(zhǎng)。

padding：
string類型的量，只能是”SAME”,”VALID”其中之一，這個(gè)值決定了不同邊緣填充方式。

rate：
這個(gè)參數(shù)的詳細(xì)解釋見【Tensorflow】tf.nn.atrous_conv2d如何實(shí)現(xiàn)空洞卷積？

結(jié)果返回一個(gè)Tensor，shape為[batch, out_height, out_width, in_channels * channel_multiplier]，注意這里輸出通道變成了in_channels * channel_multiplier

實(shí)驗(yàn)

為了形象的展示depthwise_conv2d，我們必須要建立自定義的輸入圖像和卷積核

img1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img2 = tf.constant(value=[[[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]]]],dtype=tf.float32)
img = tf.concat(values=[img1,img2],axis=3)

filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)
filter2 = tf.constant(value=1, shape=[3,3,1,1],dtype=tf.float32)
filter3 = tf.constant(value=2, shape=[3,3,1,1],dtype=tf.float32)
filter4 = tf.constant(value=3, shape=[3,3,1,1],dtype=tf.float32)
filter_out1 = tf.concat(values=[filter1,filter2],axis=2)
filter_out2 = tf.concat(values=[filter3,filter4],axis=2)
filter = tf.concat(values=[filter_out1,filter_out2],axis=3)

建立好了img和filter，就可以做卷積了

out_img = tf.nn.conv2d(input=img, filter=filter, strides=[1,1,1,1], padding='VALID')

好了，用一張圖來詳細(xì)展示這個(gè)過程

這是普通的卷積過程，我們?cè)賮砜瓷疃染矸e。

out_img = tf.nn.depthwise_conv2d(input=img, filter=filter, strides=[1,1,1,1], rate=[1,1], padding='VALID')

現(xiàn)在我們可以形象的解釋一下depthwise_conv2d卷積了?？雌胀ǖ木矸e，我們對(duì)卷積核每一個(gè)out_channel的兩個(gè)通道分別和輸入的兩個(gè)通道做卷積相加，得到feature map的一個(gè)channel，而depthwise_conv2d卷積，我們對(duì)每一個(gè)對(duì)應(yīng)的in_channel，分別卷積生成兩個(gè)out_channel，所以獲得的feature map的通道數(shù)量可以用in_channel* channel_multiplier來表達(dá)，這個(gè)channel_multiplier，就可以理解為卷積核的第四維。

代碼清單

import tensorflow as tf


img1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img2 = tf.constant(value=[[[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]]]],dtype=tf.float32)
img = tf.concat(values=[img1,img2],axis=3)
filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)
filter2 = tf.constant(value=1, shape=[3,3,1,1],dtype=tf.float32)
filter3 = tf.constant(value=2, shape=[3,3,1,1],dtype=tf.float32)
filter4 = tf.constant(value=3, shape=[3,3,1,1],dtype=tf.float32)
filter_out1 = tf.concat(values=[filter1,filter2],axis=2)
filter_out2 = tf.concat(values=[filter3,filter4],axis=2)
filter = tf.concat(values=[filter_out1,filter_out2],axis=3)

out_img = tf.nn.depthwise_conv2d(input=img, filter=filter, strides=[1,1,1,1], rate=[1,1], padding='VALID')

輸出：

rate=1, VALID mode result:
[[[[ 0. 36. 9. 27.]
[ 0. 54. 9. 27.]]

[[ 0. 36. 9. 27.]
[ 0. 54. 9. 27.]]]]

到此這篇關(guān)于Tensorflow tf.nn.depthwise_conv2d如何實(shí)現(xiàn)深度卷積的的文章就介紹到這了,更多相關(guān)Tensorflow tf.nn.depthwise_conv2d深度卷積內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: