TensorFlow实现深度可分离卷积

1、tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,data_format=None):深度可分离卷积

  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： 这里的rate和空洞卷积中的rate作用相同

    给定4D输入张量（'NHWC'或'NCHW'数据格式）和形状为[filter_height，filter_width，in_channels，channel_multiplier]的卷积核(卷积核包含in_channels个深度为1的卷积核)，depthwise_conv2d对每个输入通道应用不同的卷积核（对于每个通道卷积后的结果，从1个通道扩展到channel_multiplier个通道，然后将结果连接在一起。输出具有in_channels * channel_multiplier通道。

2、tf.nn.separable_conv2d(input,depthwise_filter,pointwise_filter,strides,padding,rate=None,name=None,data_format=None)

  可以看做，深度卷积tf.nn.depthwise_conv2d的扩展，除去