c++ - Conv2D vs Depthwise Conv2D 计算

Question

我试图了解 2D 卷积和 2D depthwise 卷积神经网络计算中的异同。 (我理解这些概念)。

例如，假设有一个 3x3 的输入图像，具有 3 个 channel (RGB)，填充为 1，步幅为 1。过滤器为 2x2。

输出是什么？ (可以忽略激活和偏差)

我知道常规 conv2D 将有 1 个 3x3 输出，而 dw conv2D 将有 3 个。除此之外我有点困惑。谢谢

Answer 1

例如，让我们考虑输入图像形状为 (5,5,3) .
卷积层 :
在 Conv2D 中， 24 过滤器 尺寸3*3*3与输入 5*5*3 复杂.
Conv2D
任何卷积层中每个过滤器的深度将与层的输入形状的深度相同:

input_shape = (1, 5, 5, 3)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv2D(24, 3, activation='relu', input_shape=(5,5,3))(x)
print(y.shape) #(1,3,3,24)

深度卷积层 :
在深度卷积中，我们不指定过滤器的数量；我们只使用 1 个过滤器:

z = tf.keras.layers.DepthwiseConv2D(3,activation='relu', input_shape=input_shape[1:])(x)
print(z,shape) #(1,3,3,3)

SeparableConvolution