conv,SeparableConv2D,DepthwiseConv2D

最新推荐文章于 2022-07-04 16:15:52 发布
最新推荐文章于 2022-07-04 16:15:52 发布
阅读量409 收藏 1
点赞数
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/u012363389/article/details/102582605
版权

Conv
SeparableConv2D
DepthwiseConv2D
假设input (64,64,16) output(64,64,32) 卷积核(3,3)

Conv

总参数 ( 3 X 3 X 16) X 32

SeparableConv2D

可分离的卷积，最后输出的深度 修改kernel_size
先通过设定的卷积核卷上一层的输出，得到特征图后，然后通过1*1的卷积卷得到最后需要的特征图
step1 : (3X3X16)
step2: (1X1X16)X32
model.add(layers.SeparableConv2D(64,3,activation = ‘relu’))

DepthwiseConv2D

不需要指定卷积核的个数，这里相当于只有一个卷积核，各层卷各层的。
X = DepthwiseConv2D(kernel_size = (3,3),depth_multiplier = 1)

depth_multiplier = 1(默认)
总参数 3 X 3 X 16
depth_multiplier = 2
总参数(3 X 3 X 16) X 2

崔林繁
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习中的depthwise convolution,pointwise convolution,SeparableConv2D深度可分离卷积
chenvvei的博客
05-08 1230
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
keras深度可分离卷积SeparableConv2D与DepthwiseConv2D
wuruivv的博客
11-03 4509
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（五）：MobileNet
weixin_47357629的博客
07-04 2730
MobileNet经历了V1、V2、V3三个版本，俗话说得好，物竞天择，适者生存，MobileNetV3凭借其优质的性能，取代了V1和V2，本文就来详细讲讲MobileNetV3网络模型。在了解MobileNetV3之前，还是要简单了解一下前两者为其诞生所做出的贡献。MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%，但模型参数只有VGG的1
DepthwiseConv2D和Conv2D详解
u010879745的博客
08-17 1万+
depthwise_conv2d和conv2d的不同之处在于conv2d在每一深度上卷积，然后求和，depthwise_conv2d卷积，不求和。 [https://www.cnblogs.com/itmorn/p/11250371.html] depthwise_conv2d 如下张量x和卷积核K进行depthwise_conv2d卷积 结果为： import tensorflow as tf # [batch, in_height, in_width, in_channels] input =t
keras中Conv2D，SeparableConv2D，DepthwiseConv2D实现与参数数量区别
sinat_18131557的博客
05-18 2813
Conv2D 对于一个普通卷积来说，通常卷积核的大小，上一层的channel与本层的channel对应了参数的数量。使用了bias的话，普通卷积(Conv2d)的参数为： #params=(filter_size×filter_size×channellast+1)×channelthis\#params=(filter\_size\times filter\_size\times channel_{last}+1)\times channel_{this}#params=(filter_size×filt
基于Keras中Conv1D和Conv2D的区别说明
09-16
本文将深入探讨Keras中的`Conv1D`和`Conv2D`层的区别，帮助读者更好地理解和应用这两个关键组件。 `Conv1D`和`Conv2D`的主要区别在于它们处理的数据维度。`Conv1D`主要用于一维数据，如时间序列分析、文本分类等，...
theano_fftconv-master_cufft_conv2d_
10-04
在本项目"Theano_fftconv-master_cufft_conv2d_"中，重点是利用scikits.cuda库，结合NVIDIA的CuFFT库，为Theano实现基于CUDA的卷积运算。 CuFFT（CUDA Fast Fourier Transform）是NVIDIA提供的一个库，用于在GPU上...
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
09-18
`Conv2d`是PyTorch中的一个关键模块，它允许我们定义一个2D卷积层，而`F.conv2d`是PyTorch的函数接口，用于执行卷积操作。虽然两者在功能上相似，但它们的使用场景和灵活性有所不同。 **1. torch.nn.Conv2d** `nn....
Pytorch.nn.conv2d 过程验证方式(单,多通道卷积过程)
09-18
在PyTorch中，`nn.Conv2d`是用于实现二维卷积操作的模块，它在深度学习领域常被用于图像处理。卷积层能够从输入图像中学习特征，通过一组可学习的滤波器（或称为卷积核）对输入数据进行滤波操作。下面我们将详细探讨...
TensorFlow tf.nn.conv2d实现卷积的方式
09-18
今天小编就为大家分享一篇TensorFlow tf.nn.conv2d实现卷积的方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
tf.layers.separable_conv2d实现深度可分卷积
李敏乐的博客
05-10 1万+
tf.layers.separable_conv2d实现深度可分卷积
tf.layers.separable_conv2d
Matthew技术小站
12-04 2133
tensorflow里的深度可分离卷积的实现API. 也即是MobileNet V1和V2里提到的depthwise conv + pointwise conv. 函数接口: @tf_export('layers.separable_conv2d') def separable_conv2d(inputs, filters, ...
keras中的深度可分离卷积 SeparableConv2D与DepthwiseConv2D
小C的博客
03-15 2万+
【时间】2019.03.15 【题目】keras中的深度可分离卷积SeparableConv2D与DepthwiseConv2D 概述 keras中的深度可分离卷积有SeparableConv2D与c两种， 其中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， 而DepthwiseConv2D仅仅...
tf.nn.separable_conv2d 用法
ljs_a的博客
11-25 3426
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.depthwise_conv2d如何实现深度卷积?
热门推荐
xf__mao的博客
09-16 4万+
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 Convolutionstf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,data_fo
tf.nn.depthwise_conv2d如何实现深度卷积
BlueBubble的博客
08-28 1511
转载自 https://blog.csdn.net/mao_xiao_feng/article/details/78003476 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,stride...
深度可分离卷积
Einstellung的博客
10-11 8821
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...
卷积神经网络降低显存消耗方法(可分离卷积Separable Convolution，Pytorch代码示例)
xiaoxifei的专栏
02-27 5314
卷积神经网络中的Separable Convolution 卷积网络运算中非常消耗显存，除了从框架本身考虑节省显存外，也可以从计算方式来入手，这里分享一篇讲分离卷积计算的博客(https://yinguobing.com/separable-convolution/#fn2) 常规的卷积运算 假设输入为64643的这样一个彩色图片，经过一个包含有4个filter的卷积层，最终输出4个通道，设定每一...
深度可分离卷积-Depthwise Separable Convolution的理解以及pytorch实现
qq_39866805的博客
04-23 4855
深度可分离卷积主要分为两个过程，分别为逐通道卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）。 逐通道卷积 Depthwise Convolution Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，这个过程产生的feature map通道数和输入的通道数完全一样。 卷积核的计算量为：3 x 3 x 3 = 27 逐点卷积 Pointwise Convolution Poi...
解释一下这段代码在block1中的操作def EEGNet(nb_classes, Chans=3, Samples=250, dropoutRate=0.5, kernLength=64, F1=8, D=2, F2=16, norm_rate=0.25, dropoutType='Dropout'): if dropoutType == 'SpatialDropout2D': dropoutType = SpatialDropout2D elif dropoutType == 'Dropout': dropoutType = Dropout else: raise ValueError('dropoutType must be one of SpatialDropout2D ' 'or Dropout, passed as a string.') input1 = Input(shape=(Chans, Samples, 1)) block1 = Conv2D(F1, (1, kernLength), padding='same', input_shape=(Chans, Samples, 1), use_bias=False)(input1) block1 = BatchNormalization()(block1) block1 = DepthwiseConv2D((Chans, 1), use_bias=False, depth_multiplier=D, depthwise_constraint=max_norm(1.))(block1) block1 = BatchNormalization()(block1) block1 = Activation('elu')(block1) block1 = AveragePooling2D((1, 4))(block1) block1 = dropoutType(dropoutRate)(block1) block2 = SeparableConv2D(F2, (1, 16), use_bias=False, padding='same')(block1) block2 = BatchNormalization()(block2) block2 = Activation('elu')(block2) block2 = AveragePooling2D((1, 8))(block2) block2 = dropoutType(dropoutRate)(block2) flatten = Flatten(name='flatten')(block2) dense = Dense(nb_classes, name='dense', kernel_constraint=max_norm(norm_rate))(flatten) softmax = Activation('softmax', name='softmax')(dense) return Model(inputs=input1, outputs=softmax
最新发布
05-12
3. DepthwiseConv2D 层：使用大小为 (Chans, 1) 的深度可分离卷积核对输入张量进行卷积操作，产生 F1*D 个特征图，其中 D 是深度可分离卷积的深度乘数。使用 depth_multiplier=D 可以减少参数数量，提高运算效率。...
评论
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