keras中的深度可分离卷积 SeparableConv2D与DepthwiseConv2D的区别

最新推荐文章于 2023-12-14 17:27:29 发布
最新推荐文章于 2023-12-14 17:27:29 发布
阅读量2.7k 收藏 11
点赞数 2
分类专栏： AI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43258953/article/details/103018517
版权

一, Keras SeparableConv2D，分两步完成卷积： Depthwise Conv 和 Pointwise Conv。
Depthwise Conv对每个通道进行卷积，Pointwise Conv为1*1的卷积核，深度根据需求定义。Keras SeparableConv2D较正常的卷积，可以大大节省参数。
在这里插入图片描述
在这里插入图片描述
二,DepthwiseConv2D相当于 SeparableConv2D的第一步，称之为深度卷积。depth_multiplier 参数控制深度步骤中每个输入通道生成多少个输出通道。深度方向卷积输出通道的总数将等于 filterss_in * depth_multiplier。

三，SeparableConv2D与普通卷积的参数量比较
在这里插入图片描述
在这里插入图片描述

AI剑客
关注
  • 2
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
keras深度可分离卷积SeparableConv2D与DepthwiseConv2D
wuruivv的博客
11-03 4500
可分离卷积分为两步：1、深度方向的空间卷积 2、将通道进行混合的逐点卷积 DepthwiseConv2D仅仅实现前半部分的空间卷积 keras.layers.DepthwiseConv2D( kernel_size, strides=(1, 1), padding='valid', ...
深度学习中的depthwise convolution,pointwise convolution,SeparableConv2D深度可分离卷积
chenvvei的博客
05-08 1223
DepthwiseConv2D深度方向的空间卷积 pointwise convolution, SeparableConv2D深度可分离卷积 SeparableConv2D实现整个深度分离卷积过程，即深度方向的空间卷积 （分别作用于每个输入通道）+ 输出通道混合在一起的逐点卷积， DepthwiseConv2D仅仅实现前半部分的空间卷积 （分别作用于每个输入通道）。 DepthwiseConv2D:不同channel用不同的卷积核做卷积 深度可分离 2D 卷积。 深度可分离卷积包括仅执行深度空间卷积中的第一
Xception网络结构
qq_44511163的博客
08-18 2198
Xception网络结构学习
tf.nn.depthwise_conv2d()使用
是云就要飞的博客
03-05 3072
1、函数定义 def depthwise_conv2d( input, filter, strides, padding, rate=None, # 意思同conv的dilation，但是只有两个元素的list，[x,y] name=None, data_format=None ) 2、参数说明 2.1 depthwise_conv2d的参数与conv2d基本一致，只是操作略有不同，最...
tensorflow2------深度可分离卷积的实现
Stay Hungry Stay Foolish
04-28 2311
深度可分离卷积(Depthwise separable convolution)是
理解Separable Convolution
daimashiren的博客
07-17 223
普通Convolution layer 会构造输入图像的各通道加权值 N 次得到N 维的feature map 输出 (卷积核的数量，也就是输出的feature map的维度) ；而Separable Convolution layer 只构造输入图像各通道加权值1 次(Depwise Convolution)，然后用不同的比例 (权值) 构造feature map N次得到N 维的feature map 输出 (PointWise Convolution)......
tf.nn.separable_conv2d 用法
ljs_a的博客
11-25 3423
下面来介绍tf.nn.separable_conv2d 的用法。 可以参考官方文档：官方文档 大家只要知道函数的参数，以及参数的设定方式：input: 一个Tensor。数据维度是四维 [batch, in_height, in_width, in_channels]。 depthwise_filter: 一个Tensor。数据维度是四维 [filter_height, filter_widt
【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？
xf__mao的博客
09-16 2万+
实验环境：tensorflow版本1.2.0，python2.7介绍关于空洞卷积的理论可以查看以下链接，这里我们不详细讲理论：1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]. Computer Vision and Pattern Recognitio
Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的
12-20
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Ten
Keras中Conv1D和Conv2D的区别
热门推荐
CODE and POEM
03-13 5万+
如有错误，欢迎斧正。 我的答案是，在Conv2D输入通道为1的情况下，二者是没有区别或者说是可以相互转化的。首先，二者调用的最后的代码都是后端代码（以TensorFlow为例，在tensorflow_backend.py里面可以找到）： x = tf.nn.convolution( input=x, filter=kernel, dilatio...
可分离卷积基本介绍
AI 研习社的博客
05-24 4030
本文为 AI 研习社编译的技术博客，原标题 ： A Basic Introduction to Separable Convolutions 作者 |Chi-Feng Wang 翻译 |通夜、秃了少年头 编辑 | 王立鱼、Pita 原文链接： https://towardsdatascience.com/a-basic-introduction-to-separable...
Keras(二十)深度可分离卷积网络实战
TFATS的博客
02-25 2256
本文将介绍： 什么是深度可分离卷积网络 实现深度可分离卷积网络实战代码 一，什么是深度可分离卷积网络 1，常规的卷及操作 常规的卷及操作如上图所示：参数量共计3 x 3 x 3 x 4 = 108. 2，深度可分离卷积 depthwise convolution pointwise convolution 1）depthwise convolution 常规卷积,卷积核是作用于所有的depth方向的. depthwise conv对不同channel用不同的卷积核做卷积 参数量共计参数共计3
变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作。
mmc2015的专栏
08-31 2万+
总结的非常好，故转来，如果侵权，请告知，会及时删掉。 大家还是去看原文好，作者的文章都不错： https://zhuanlan.zhihu.com/p/28749411 https://www.zhihu.com/people/professor-ho/posts 写文章 变形卷积核、可分
tf.nn.separable_conv2d　　tf.nn.depthwise_conv2d　深度可分离卷积　源码
ChengChengCheng的博客
05-18 640
https://blog.csdn.net/mao_xiao_feng/article/details/78002811 https://blog.csdn.net/mao_xiao_feng/article/details/78003476
Keras深度学习之卷积层
王猛的专栏
03-12 1167
Conv1D、Conv2D和Conv3D的选项几乎相同。 filters：卷积滤子输出的维度，要求整数。 kernel_size：卷积核的空域或时域窗长度。要求是整数或整数的列表，或者是元组。如果是单一整数，则应用于所有适用的维度。 strides：卷积在宽或者高维度的步长。要求是整数或整数的列表，或者是元组。如果是单一整数，则应用于所有适用的维度。如果设定步长不为1，则dilation_r...
理解3D 卷积
kinggang2017的博客
03-27 2022
https://www.zhihu.com/question/266352189 https://www.cnblogs.com/skyfsm/p/6790245.html
深度可分离卷积
Einstellung的博客
10-11 8815
如果我告诉你，有一个层可以替代Conv2D，并且可以让模型更加轻量（即更少的可训练权重参数）、速度更快（即更少的浮点数运算），还可以让任务性能提高几个百分点，那么如何呢？ 深度可分离卷积（depthwise separable convolution）（SeparableConv2D）就可以做到这一点。这个层对输入的每个通道分别执行空间卷积，然后通过逐点卷积（1*1卷积）将输出通道混合。 这相当...
torch中实现depthwise convolution
最新发布
qq_45821834的博客
12-14 1306
介绍了depthwise convolution，并且提供了运用torch.nn.functional.conv2d和torch.nn.Conv2d的两种实现方式
keras实现深度可分离卷积
08-12
在Keras中实现深度可分离卷积可以使用SeparableConv2D层。这个层实质上是将普通的卷积操作分解成两个步骤：深度方向的空间卷积（depthwise convolution）和逐点卷积（pointwise convolution）。首先，深度方向的空间卷积会分别作用于每个输入通道，然后将所得输出通道混合在一起。这个操作可以通过设置depth_multiplier参数来控制深度步骤中每个输入通道生成多少个输出通道。接下来，我们可以使用一个1x1的卷积核对深度可分离卷积得到的输出进行常规卷积操作，得到最终的输出。在Keras中，可以通过构建一个Sequential模型，并添加SeparableConv2D层来实现深度可分离卷积。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Keras(二十)深度可分离卷积网络实战](https://blog.csdn.net/TFATS/article/details/114025123)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [keras中的深度可分离卷积 SeparableConv2D与DepthwiseConv2D](https://blog.csdn.net/C_chuxin/article/details/88581411)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值