python - 与 Tensorflow 2.0 同一层的不同尺寸过滤器

Question

我正在 Udemy 上学习关于 Tensorflow 2.0 的类(class)，并将其应用到图像数据集。无论如何 - 类代码库中的典型卷积层如下所示:

model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding="same", activation="relu"))

是否可以在同一层中添加多个过滤器，例如大小:kernel_size=2、kernel_size=3、kernel_size=4和kernel_size=5？

请注意，我想知道在 TF2.0 中这是如何完成的

编辑:我不将问题限制为仅 conv2d 层。

Answer 1

根据documentation中提到的Conv2D层的内核大小参数的描述您不能添加具有不同内核大小或步幅的多个过滤器。

此外，具有不同大小的内核的卷积将产生不同高度和宽度的输出。假设对称内核的输出大小的一般公式由下式给出:

(X−K+2P)/S+1

• 其中 X 是输入的高度/宽度
• K 是内核大小
• P 是零填充
• S 是步幅

因此，假设您保持零填充和步幅相同，则 Conv2D 层中不能有多个不同大小的内核。

但是，您可以使用 tf.keras.Model API 在同一输入上多次使用 Conv2D，然后在堆叠之前裁剪或使用零填充来匹配不同输出的尺寸。

例如。

inputs = tf.keras.Input(shape=(H,W,))
x1 = tf.keras.layers.Conv2D(filters=32, kernel_size=3)(inputs)
x2 = tf.keras.layers.Conv2D(filters=16, kernel_size=5)(inputs)
#match dimensions (height and width) of x1 or x2 here 
x3 = tf.keras.layers.Concatenate(axis=-1)[x1,x2]

使用 Zeropadding2D或Cropping2D用于匹配尺寸。