tf.keras.layers.LocallyConnected2D

Локально-связанный слой для 2D входов.

Наследуется от: Layer, Module

Просмотр псевдонимов

Псевдонимы для миграции

tf.compat.v1.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 разделяются, то есть различный набор фильтров применяется к каждой разной области входных данных.

Примечание: атрибуты слоя нельзя изменить после того, как слой был вызван один раз (за исключением атрибута trainable).

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 (то есть количество выходных фильтров в свертке).
`kernel_size`	Целое число или кортеж/список из 2 целых чисел, определяющих 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, определяющих 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"` (регистронезависимо). `"same"` будет поддерживаться в будущем. `"valid"` означает отсутствие заполнения.
`data_format`	Строка, одна из `channels_last` (по умолчанию) или `channels_first`. Порядок измерений на входе. `channels_last` соответствует входам с формой `(batch, height, width, channels)`, а `channels_first` соответствует входам с формой `(batch, channels, height, width)`. По умолчанию используется значение `image_data_format` в вашем файле конфигурации Keras по адресу `~/.keras/keras.json`. Если вы никогда не устанавливали его, он будет "channels_last".
`activation`	Функция активации для использования. Если вы ничего не укажете, активация не применяется (т.е. применяется 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 ядер.
`bias_constraint`	Функция ограничения, применяемая к вектору смещения.
`implementation`	Режим реализации, либо `1`, `2`, или `3`. `1` проходятся по пространственным позициям входных данных для выполнения прямого прохода. Он экономит память, но выполняет много (небольших) операций. `2` хранит веса слоя в плотной, но разреженной 2D-матрице и реализует прямой проход как единственное матричное умножение. Он использует много ОЗУ, но выполняет мало (больших) операций. `3` хранит веса слоя в разреженном тензоре и реализует прямой проход как единственное умножение разреженной матрицы. Как выбрать: `1`: большие плотные модели, `2`: небольшие модели, `3`: большие разреженные модели, где "большие" относятся к большим входным/выходным активациям (т.е. много `filters`, `input_filters`, большие `np.prod(input_size)`, `np.prod(output_size)`), а "разреженные" относятся к небольшому количеству соединений между входами и выходами, т.е. малая доля `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 бенчмаркинг каждого в интересующей вас настройке, чтобы выбрать наиболее эффективный (с точки зрения скорости и использования памяти). Правильный выбор реализации может привести к значительному повышению скорости (например, в 50 раз), возможно, ценой использования ОЗУ. Кроме того, только `padding="valid"` поддерживается `implementation=1`.

Форма входа:

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 выхода:

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/r2.4/api_docs/python/tf/keras/layers/LocallyConnected2D