【卷积】分类：因果、depthwise、pointwise、空洞、转置卷积等

常见的卷积有：因果、depthwise、pointwise、空洞、转置卷积等，如何区分它们呢？

首先卷积可以分为一维卷积和二维卷积

• Conv1D
• Conv2D

还可包括

• Conv1DTranspose, Conv2DTranspose
• SeparableConv1D, SeparableConv2D

Conv1D

因果卷积

padding=causal

注：Conv2D的padding只有same和valid，没有causal，所以只有一维因果卷积。

空洞卷积

dilation_rate>1

因果空洞卷积

padding=causal
dilation_rate>1

SeparableConv1D

继承自SeparableConv：

Depthwise separable 1D convolution：This layer performs a depthwise convolution that acts separately on channels, followed by a pointwise convolution that mixes channels.

Conv2D

• 输入参数：指需要做卷积的输入图像/音频等，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体图片的含义是[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。

主要参数包括：

• filters：卷积核个数，也是输出通道数。Integer, the dimensionality of the output space (i.e. the number of output filters in the convolution).
• kernel_size: 卷积核大小，指定二维卷积窗口的高和宽，（如果kernel_size只有一个整数，代表宽和高相等）：An integer or tuple/list of 2 integers, specifying the height and width of the 2D convolution window. Can be a single integer to specify the same value for all spatial dimensions.
• strides: 卷积步长，指定卷积窗沿高和宽方向的每次移动步长，An integer or tuple/list of 2 integers, （如果strides只有一个整数，代表沿着宽和高方向的步长相等） specifying the strides of the convolution along the height and width. Can be a single integer to specify the same value for all spatial dimensions. Specifying any stride value != 1 is incompatible with specifying any dilation_rate value != 1.
• padding: 为valid或same中一种， one of "valid" or "same" (case-insensitive).

单通道与多通道 卷积

in_channels:

• in_channels=1：单通道卷积
• in_channels>1：多通道卷积

单卷积核与多卷积核 卷积

卷积核个数filters：

• filters>1：多卷积核卷积
• filters=1：单卷积核卷积

DepthwiseConv2D

DepthwiseConv2D继承Conv2D，但是没有filters参数，即默认filters=in_channels>1(多通道卷积)

Pointwise Convolution

kernel_size=[1, 1]
filters>1

SeparableConv2D

继承自SeparableConv

Depthwise Separable Convolution，即 Depthwise Convolution + Pointwise Convolution

空洞卷积

也叫膨胀卷积、扩张卷积，即dilated Conv：

dialation_rate > 1

一维二维卷积均可进行空洞卷积。

Conv2DTranspose

继承自Conv2D。

Transposed convolution layer (sometimes called Deconvolution)

转置卷积，也叫反卷积。