TensorFlow函数教程：tf.nn.depthwise_conv2d_native

tf.nn.depthwise_conv2d_native函数

tf.nn.depthwise_conv2d_native(
    input,
    filter,
    strides,
    padding,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

定义在：tensorflow/python/ops/gen_nn_ops.py.

请参阅指南：神经网络>卷积运算

在给定 4-Dinput和filter张量的情况下计算 2-D 深度卷积.

给定的输入张量的形状为[batch, in_height, in_width, in_channels],滤波器/内核张量的形状为[filter_height, filter_width, in_channels, channel_multiplier],包含深度为1的in_channels卷积滤波器,depthwise_conv2d对每个输入通道应用不同的滤波器(从1个通道扩展到每个通道channel_multiplier),然后将结果连接在一起.因此,输出具有in_channels * channel_multiplier个通道.

for k in 0..in_channels-1
  for q in 0..channel_multiplier-1
    output[b, i, j, k * channel_multiplier + q] =
      sum_{di, dj} input[b, strides[1] * i + di, strides[2] * j + dj, k] *
                        filter[di, dj, k, q]

必须有strides[0] = strides[3] = 1.对于相同水平和顶点步幅的最常见情况是：strides = [1, stride, stride, 1].

参数：

• input：一个Tensor,必须是下列类型之一：half,bfloat16,float32,float64.
• filter：一个Tensor,必须与input具有相同类型.
• strides：ints列表,长度为4的1-D,input每个维度的滑动窗口的步幅.
• padding：string,可以是："SAME", "VALID".要使用的填充算法的类型.
• data_format：可选的string,可以是："NHWC", "NCHW"；默认为"NHWC"；指定输入和输出数据的数据格式；使用默认格式“NHWC”,数据按以下顺序存储：[batch, height, width, channels]；或者,格式可以是“NCHW”,数据存储顺序为：[batch, channels, height, width].
• dilations：ints的可选列表,默认为[1, 1, 1, 1]；长度为4的1-D张量,input每个维度的扩张系数.如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格.维度顺序由值data_format确定.批次和深度尺寸的扩张必须为1.
• name：操作的名称(可选).

返回：

一个Tensor,与input有相同的类型.