KERAS 中的 3D 可分离卷积

Question

试图确定如何在 KERAS 中进行 3D 深度可分离卷积。 KERAS 的当前实现有一个名为 SeperableConv2D 的 2D 版本，我正在尝试开发一个 2D 版本来首先模仿它，以便我确定我所做的是正确的。

这是为了实现 Xception Net 架构。

虽然背景阅读我首先需要一个深度卷积，然后是一个点卷积来组合这些步骤。为此，我使用以下代码：

def depth_wise_convolution(x, in_channels, filters, kernel_size, strides=1):
        x = layers.Conv2D(filters=in_channels, 
                            kernel_size=kernel_size, 
                            strides=strides, 
                            padding="same",
                            groups=in_channels,
                            use_bias = False)(x)
        x = layers.Conv2D(filters=filters,kernel_size=1)(x)

        return x

两者都没有产生错误，但 KERAS 实现有 22,855,376 个参数，而我的方法有 22,880,408 个参数。关于我做错了什么的任何想法？

网络相关部分的Netron可视化如下图所示。 KERAS_Implementation My_Implementation