您的位置：首页 > 理论基础 > 计算机网络

【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?

2017-09-11 23:10 681 查看
重要!!!!：由于CSDN自带编辑器排版的关系，经历了几个版本以后，导致我现在的排版极其的不美观，为了给各位更好的阅读体验，我把此博客重新写成Markdown，可以通过以下链接查看更清晰的版本：【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?_____________________________________________________________________________________________________________________________________tensorflow版本1.2.0，python2.7环境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
：
第一个参数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]
第二个参数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][code]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
第三个参数strides：卷积的滑动步长。
[/code]
第四个参数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。
第五个参数rate
：这个参数的详细解释见【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？
结果返回一个Tensor，shape为[batch, out_height, out_width, in_channels * channel_multiplier]，注意这里输出通道变成了in_channels * channel_multiplier
为了
形象的展示
depthwise_conv2d，我们必须要建立自定义的输入图像和卷积核
[code]img1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img2 = tf.constant(value=[[[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]]]],dtype=tf.float32)
img = tf.concat(values=[img1,img2],axis=3)
filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)
filter2 = tf.constant(value=1, shape=[3,3,1,1],dtype=tf.float32)
filter3 = tf.constant(value=2, shape=[3,3,1,1],dtype=tf.float32)
filter4 = tf.constant(value=3, shape=[3,3,1,1],dtype=tf.float32)
filter_out1 = tf.concat(values=[filter1,filter2],axis=2)
filter_out2 = tf.concat(values=[filter3,filter4],axis=2)
filter = tf.concat(values=[filter_out1,filter_out2],axis=3)
建立好了img和filter，就可以做卷积了
out_img = tf.nn.conv2d(input=img, filter=filter, strides=[1,1,1,1], padding='VALID')
好了，用一张图来详细展示这个过程这是普通的卷积过程，我们再来看深度卷积。
out_img = tf.nn.depthwise_conv2d(input=img, filter=filter, strides=[1,1,1,1], rate=[1,1], padding='VALID')
现在我们可以形象的解释一下depthwise_conv2d卷积了。看普通的卷积，我们对卷积核每一个out_channel的两个通道分别和输入的两个通道做卷积相加，得到feature map的一个channel，而depthwise_conv2d卷积，我们对每一个对应的in_channel，分别卷积生成两个out_channel，所以获得的feature map的通道数量可以用in_channel
* channel_multiplier
来表达，这个
channel_multiplier
，就可以理解为卷积核的第四维。代码清单：
import tensorflow as tfimg1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img2 = tf.constant(value=[[[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]],[[1],[1],[1],[1]]]],dtype=tf.float32)
img = tf.concat(values=[img1,img2],axis=3)
filter1 = tf.constant(value=0, shape=[3,3,1,1],dtype=tf.float32)
filter2 = tf.constant(value=1, shape=[3,3,1,1],dtype=tf.float32)
filter3 = tf.constant(value=2, shape=[3,3,1,1],dtype=tf.float32)
filter4 = tf.constant(value=3, shape=[3,3,1,1],dtype=tf.float32)
filter_out1 = tf.concat(values=[filter1,filter2],axis=2)
filter_out2 = tf.concat(values=[filter3,filter4],axis=2)
filter = tf.concat(values=[filter_out1,filter_out2],axis=3)out_img = tf.nn.depthwise_conv2d(input=img, filter=filter, strides=[1,1,1,1], rate=[1,1], padding='VALID')with tf.Session() as sess:print 'rate=1, VALID mode result:'
print(sess.run(out_img))
输出：
rate=1, VALID mode result:
[[[[  0.  36.   9.  27.]
[  0.  54.   9.  27.]][[  0.  36.   9.  27.]
[  0.  54.   9.  27.]]]]

                                            

                                        

                        
                        内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息 
                    

                    

                    

                        

                         标签： 
                                                python
                                                机器学习
                                                深度学习
                                                神经网络
                                                TensorFlow
                                                

                        

                    


                

            


            

                
相关文章推荐

                

                
            

        

        

            

            
            

                

                    
新的分享

                    

                        
                    

                

            


            

                

                    
章节导航