tf.keras.layers.LocallyConnected2D

Локально-связанный слой для 2D входных данных.

Наследуется от: Layer

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительных сведений.

tf.compat.v1.keras.layers.LocallyConnected2D, `tf.compat.v2.keras.layers.LocallyConnected2D`

tf.keras.layers.LocallyConnected2D(
    filters, kernel_size, strides=(1, 1), padding='valid', data_format=None,
    activation=None, use_bias=True, kernel_initializer='glorot_uniform',
    bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None,
    activity_regularizer=None, kernel_constraint=None, bias_constraint=None,
    implementation=1, **kwargs
)

Слой LocallyConnected2D работает аналогично слою Conv2D, за исключением того, что веса не объединены, то есть на каждом фрагменте входных данных применяется другой набор фильтров.

Примеры:

# apply a 3x3 unshared weights convolution with 64 output filters on a
32x32 image
# with `data_format="channels_last"`:
model = Sequential()
model.add(LocallyConnected2D(64, (3, 3), input_shape=(32, 32, 3)))
# now model.output_shape == (None, 30, 30, 64)
# notice that this layer will consume (30*30)*(3*3*3*64) + (30*30)*64
parameters

# add a 3x3 unshared weights convolution on top, with 32 output filters:
model.add(LocallyConnected2D(32, (3, 3)))
# now model.output_shape == (None, 28, 28, 32)

Аргументы
`filters`	Целое число, размерность выходного пространства (т. е. количество выходных фильтров в свертке).
`kernel_size`	Целое число или кортеж/список из 2 целых чисел, определяющие ширину и высоту окна 2D-свертки. Может быть одним целым числом для задания одного и того же значения для всех пространственных измерений.
`strides`	Целое число или кортеж/список из 2 целых чисел, определяющие шаги свертки по ширине и высоте. Может быть одним целым числом для задания одного и того же значения для всех пространственных измерений.
`padding`	В настоящее время поддерживается только `"valid"` (регистр не учитывается). `"same"` будет поддерживаться в будущем.
`data_format`	Строка, одна из `channels_last` (по умолчанию) или `channels_first`. Порядок измерений во входных данных. `channels_last` соответствует входным данным с формой `(batch, height, width, channels)`, а `channels_first` соответствует входным данным с формой `(batch, channels, height, width)`. По умолчанию используется значение `image_data_format` из файла конфигурации Keras по адресу `~/.keras/keras.json`. Если оно никогда не устанавливалось, оно будет равно "channels_last".
`activation`	Функция активации для использования. Если вы ничего не укажете, активация не применяется (т. е. линейная активация: `a(x) = x`).
`use_bias`	Булево значение, указывающее, использует ли слой вектор смещения.
`kernel_initializer`	Инициализатор для матрицы весов `kernel`.
`bias_initializer`	Инициализатор для вектора смещения.
`kernel_regularizer`	Функция регуляризации, применяемая к матрице весов `kernel`.
`bias_regularizer`	Функция регуляризации, применяемая к вектору смещения.
`activity_regularizer`	Функция регуляризации, применяемая к выходу слоя (его «активации»).
`kernel_constraint`	Функция ограничения, применяемая к матрице ядра.
`bias_constraint`	Функция ограничения, применяемая к вектору смещения.
`implementation`	Режим реализации, либо `1`, `2`, или `3`. `1` перебирает пространственные расположения входных данных для выполнения прямого прохода. Он экономит память, но выполняет много (небольших) операций. `2` хранит веса слоя в плотной, но разреженно заполненной 2D-матрице и реализует прямой проход как единственное матричное умножение. Он использует много оперативной памяти, но выполняет немного (больших) операций. `3` хранит веса слоя в разреженном тензоре и реализует прямой проход как единственное умножение разреженных матриц. Как выбрать: `1`: большие плотные модели, `2`: небольшие модели, `3`: большие разреженные модели, где «большие» означают большие активации входных/выходных данных (т. е. много `filters`, `input_filters`, большие `np.prod(input_size)`, `np.prod(output_size)`), а «разреженные» означают мало соединений между входными и выходными данными, т. е. небольшое отношение `filters * input_filters * np.prod(kernel_size) / (np.prod(input_size) np.prod(strides))`, where inputs to and outputs of the layer are assumed to have shapes`input_size + (input_filters,)`,`output_size + (filters,)` соответственно. Рекомендуется провести тестирование в нужной обстановке, чтобы выбрать наиболее эффективную (с точки зрения скорости и использования памяти). Правильный выбор реализации может привести к значительному повышению скорости (например, в 50 раз), возможно, за счет оперативной памяти. Также, только `padding="valid"` поддерживается `implementation=1`.

Форма входных данных:

4D тензор с формой: (samples, channels, rows, cols) если data_format='channels_first' или 4D тензор с формой: (samples, rows, cols, channels) если data_format='channels_last'.

Форма выходных данных:

4D тензор с формой: (samples, filters, new_rows, new_cols) если data_format='channels_first' или 4D тензор с формой: (samples, new_rows, new_cols, filters) если data_format='channels_last'. Значения rows и cols могут измениться из-за заполнения.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/keras/layers/LocallyConnected2D