Conv2D与深度Conv2D计算

Question

我试图理解二维卷积神经网络和二维深度卷积神经网络计算的异同。（我理解这些概念）。

例如，假设有一个输入图像是3x3，具有3个通道（RGB），填充为1，步幅为1。过滤器是2x2。

输出是什么？（可以忽略激活和偏差）

我知道常规con2D将有1 3x3输出，而dw con2D将有3输出。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个大小为3*3*3的滤波器与输入进行卷积。

Conv2D

任何卷积层中每个滤波器的深度都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，我们不指定滤波器的数量；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)

分离卷积