脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Tensorflow tf.nn.depthwise_conv2d深度卷积

Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的

 更新时间：2020年04月20日 11:52:32   作者：xf__mao  
这篇文章主要介绍了Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

实验环境：tensorflow版本1.2.0，python2.7

介绍

depthwise_conv2d来源于深度可分离卷积:

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

实验

为了形象的展示depthwise_conv2d，我们必须要建立自定义的输入图像和卷积核

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，就可以做卷积了

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

好了，用一张图来详细展示这个过程

 

这是普通的卷积过程，我们再来看深度卷积。

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

 

现在我们可以形象的解释一下depthwise_conv2d卷积了。看普通的卷积，我们对卷积核每一个out_channel的两个通道分别和输入的两个通道做卷积相加，得到feature map的一个channel，而depthwise_conv2d卷积，我们对每一个对应的in_channel，分别卷积生成两个out_channel，所以获得的feature map的通道数量可以用in_channel* channel_multiplier来表达，这个channel_multiplier，就可以理解为卷积核的第四维。

代码清单

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')

输出：

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

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

到此这篇关于Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的的文章就介绍到这了,更多相关Tensorflow tf.nn.depthwise_conv2d深度卷积内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

相关文章

  • Django 路由系统URLconf的使用

    Django 路由系统URLconf的使用

    这篇文章主要介绍了Django 路由系统URLconf的使用，详细的介绍了什么是URLconf以及如何使用，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
    2018-10-10
  • ubuntu在线服务器python Package安装到离线服务器的过程

    ubuntu在线服务器python Package安装到离线服务器的过程

    这篇文章主要介绍了ubuntu在线服务器python Package安装到离线服务器,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2023-04-04
  • 一文带你深入理解python中pytest-repeat插件的工作原理

    一文带你深入理解python中pytest-repeat插件的工作原理

    这篇文章主要和大家一起深入探讨到底pytest_repeat插件的具体功能是如何实现的呢,相信具体了解了该插件,其他三方插件也可以很快了解它内部运行机制,所以本文详细讲解了python pytest-repeat插件的工作原理,需要的朋友可以参考下
    2023-09-09
  • Pandas实现两个表的连接功能的方法详解

    Pandas实现两个表的连接功能的方法详解

    这篇文章主要和大家一起说说pandas的两个表的连接技能merge，也就是根据一个表的条件去匹配另一个表的内容，感兴趣的可以跟随小编一起学习一下
    2022-09-09
  • Python3实现腾讯云OCR识别

    Python3实现腾讯云OCR识别

    这篇文章主要为大家详细介绍了Python3实现腾讯云OCR识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2018-11-11
  • Python 动态变量名定义与调用方法

    Python 动态变量名定义与调用方法

    这篇文章主要介绍了Python 动态变量名定义与调用方法,需要的朋友可以参考下
    2020-02-02
  • python 列表中[ ]中冒号‘：’的作用

    python 列表中[ ]中冒号‘：’的作用

    中括号[ ]：用于定义列表或引用列表、数组、字符串及元组中元素位置，冒号： 用于定义分片、步长。这篇文章给大家介绍python 列表中[ ]中冒号‘：’的作用，感兴趣的的朋友跟随小编一起看看吧
    2019-04-04
  • Python多进程加锁的实现

    Python多进程加锁的实现

    很多时候，我们需要在多个进程中同时写一个文件，如果不加锁机制，就会导致写文件错乱，本文主要介绍了Python多进程加锁的实现，文中通过示例代码介绍的非常详细，感兴趣的可以了解一下
    2023-07-07
  • 详解python的函数递归与调用

    详解python的函数递归与调用

    Python中的函数递归是一种函数调用自身的编程技术,递归可以用来解决问题,特别是那些可以分解为更小、相似子问题的问题,本文将给大家详细的讲解一下python的函数递归与调用,需要的朋友可以参考下
    2023-10-10
  • Python的Flask框架开发验证码登录的实现

    Python的Flask框架开发验证码登录的实现

    在本文我们介绍了如何使用Python的Flask框架开发一个简单的验证码登录功能,将涵盖生成验证码、处理用户输入、验证验证码以及实现安全的用户认证等方面,感兴趣的可以了解一下
    2023-11-11

最新评论