我没有在网上找到对此问题的明确答案(很抱歉,如果存在)。 我想逐步了解两个函数( SeparableConv2D 和 Conv2D )之间的区别,例如输入(3,3, 3)(作为RGB图像)。
基于Keras-Tensorflow运行此脚本:
import numpy as np
from keras.layers import Conv2D, SeparableConv2D
from keras.models import Model
from keras.layers import Input
red = np.array([1]*9).reshape((3,3))
green = np.array([100]*9).reshape((3,3))
blue = np.array([10000]*9).reshape((3,3))
img = np.stack([red, green, blue], axis=-1)
img = np.expand_dims(img, axis=0)
inputs = Input((3,3,3))
conv1 = SeparableConv2D(filters=1,
strides=1,
padding='valid',
activation='relu',
kernel_size=2,
depth_multiplier=1,
depthwise_initializer='ones',
pointwise_initializer='ones',
bias_initializer='zeros')(inputs)
conv2 = Conv2D(filters=1,
strides=1,
padding='valid',
activation='relu',
kernel_size=2,
kernel_initializer='ones',
bias_initializer='zeros')(inputs)
model1 = Model(inputs,conv1)
model2 = Model(inputs,conv2)
print("Model 1 prediction: ")
print(model1.predict(img))
print("Model 2 prediction: ")
print(model2.predict(img))
print("Model 1 summary: ")
model1.summary()
print("Model 2 summary: ")
model2.summary()
我有以下输出:
Model 1 prediction:
[[[[40404.]
[40404.]]
[[40404.]
[40404.]]]]
Model 2 prediction:
[[[[40404.]
[40404.]]
[[40404.]
[40404.]]]]
Model 1 summary:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) (None, 3, 3, 3) 0
_________________________________________________________________
separable_conv2d_1 (Separabl (None, 2, 2, 1) 16
=================================================================
Total params: 16
Trainable params: 16
Non-trainable params: 0
_________________________________________________________________
Model 2 summary:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) (None, 3, 3, 3) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 2, 2, 1) 13
=================================================================
Total params: 13
Trainable params: 13
Non-trainable params: 0
由于this post,我了解Keras如何计算模型2的 Conv2D 预测,但是有人可以解释一下模型1预测的 SeperableConv2D 计算及其参数数量(16)
答案 0 :(得分:1)
由于Keras使用Tensorflow,您可以在Tensorflow的API中检查区别。
conv2D是传统的卷积。因此,您有一个带有或不带有填充的图像,并且过滤器以给定的步幅在图像中滑动。
另一方面,SeparableConv2D是传统卷积的一种变体,被提出以更快地进行计算。 它执行深度空间卷积,然后是将结果输出通道混合在一起的逐点卷积。例如,MobileNet使用此操作可以更快地计算卷积。
我可以在这里解释这两种操作,但是,post使用了我强烈建议您阅读的图像和视频,对此有很好的解释。
我希望这会有所帮助。