《AI工匠BOOK》持续更新AI算法与最新应用,如果您感兴趣,欢迎关注AI工匠(AI算法与最新应用前沿研究)。
在Keras之父的深度学习书中,设计了一种让图像识别任务性能提高几个百分点的网络层,该网络层不仅可以替代 Conv2D ,并可以让模型更加轻量、用较少的可训练权重参数、速度更快,该网络层正是深度可分离卷积(depthwise separable convolution)层( SeparableConv2D )。``
******深度可分离卷积原理介绍:******
SeparableConv2D 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,这相当于将空间特征学习和通道特征学习分开,需要的参数要少很多,计算量也更小,因此可以得到更小、更快的模型。因为它是一种执行卷积更高效的方法,所以往往能够使用更少的数据学到更好的表示,从而得到性能更好的模型。
深度可分离卷积应用场景
假设输入图像中的空间位置高度相关,不同的通道之间相对独立。
****