tf.compat.v1.nn.depthwise_conv2d

Свёртка по глубине 2-D.

tf.compat.v1.nn.depthwise_conv2d(
    input,
    filter,
    strides,
    padding,
    rate=None,
    name=None,
    data_format=None,
    dilations=None
)

Принимая 4-мерный тензор входных данных ('NHWC' или 'NCHW' форматы данных) и тензор фильтра формы [filter_height, filter_width, in_channels, channel_multiplier] содержащий in_channels свёрочных фильтров глубиной 1, depthwise_conv2d применяет разные фильтры к каждому каналу входных данных (расширяя от 1 канала до channel_multiplier каналов для каждого), затем конкатенирует результаты вместе. Выходной тензор имеет in_channels * channel_multiplier каналов.

Подробно, с форматом NHWC по умолчанию,

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

Должно выполняться условие strides[0] = strides[3] = 1. В наиболее распространённом случае одинаковых горизонтальных и вертикальных шагов, strides = [1, stride, stride, 1]. Если любое значение в rate больше 1, мы выполняем свёртку с пропусками (atrous), в этом случае все значения в тензоре strides должны быть равны 1.

Пример использования:

x = np.array([
    [1., 2.],
    [3., 4.],
    [5., 6.]
], dtype=np.float32).reshape((1, 3, 2, 1))
kernel = np.array([
    [1., 2.],
    [3., 4]
], dtype=np.float32).reshape((2, 1, 1, 2))
tf.compat.v1.nn.depthwise_conv2d(x, kernel, strides=[1, 1, 1, 1],
                                 padding='VALID').numpy()
  array([[[[10., 14.],
           [14., 20.]],
          [[18., 26.],
           [22., 32.]]]], dtype=float32)

tf.compat.v1.nn.depthwise_conv2d(x, kernel, strides=[1, 1, 1, 1],
                                 padding=[[0, 0], [1, 0], [1, 0], [0, 0]]
                                ).numpy()
  array([[[[ 0.,  0.],
           [ 3.,  4.],
           [ 6.,  8.]],
          [[ 0.,  0.],
           [10., 14.],
           [14., 20.]],
          [[ 0.,  0.],
           [18., 26.],
           [22., 32.]]]], dtype=float32)

Аргументы
`input`	4-мерный с формой согласно `data_format`.
`filter`	4-мерный с формой `[filter_height, filter_width, in_channels, channel_multiplier]`.
`strides`	1-мерный массив размера 4. Шаг скользящего окна для каждой размерности `input`.
`padding`	Управляет тем, как заполнить изображение перед применением свёртки. Может быть строкой `"SAME"` или `"VALID"`, указывающей тип алгоритма заполнения, или списком, указывающим явные заполнения в начале и конце каждой размерности. Когда используется явное заполнение и data_format — `"NHWC"`, это должно быть в форме `[[0, 0], [pad_top, pad_bottom], [pad_left, pad_right], [0, 0]]`. Когда используется явное заполнение и data_format — `"NCHW"`, это должно быть в форме `[[0, 0], [0, 0], [pad_top, pad_bottom], [pad_left, pad_right]]`.
`rate`	1-мерный массив размера 2. Скорость пропуска в котором мы выбираем значения входных данных по размерностям `height` и `width` в свёртке с пропусками. Если она больше 1, то все значения шагов должны быть 1.
`name`	Имя этой операции (необязательно).
`data_format`	Формат данных для входных данных. Либо "NHWC" (по умолчанию), либо "NCHW".
`dilations`	Псевдоним для rate.

Возвращаемое значение
4-мерный `Tensor` с формой согласно `data_format`. Например, для формата "NHWC", форма — `[batch, out_height, out_width, in_channels * channel_multiplier].`

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/compat/v1/nn/depthwise_conv2d