深度可分离卷积
来源：6-6 深度可分离卷积网络
紫梦沁香
2021-08-24
这两张图貌似矛盾了，第一张是先1×1的卷积核再3×3的卷积核，第二张图先3×3的卷积核而后1×1的卷积核
而且关于深度可分离的卷积的参数个数我比较在意，这个816怎么来的
无论是按第一张图片来算，32 × 16 + 16(bias) + 9 × 16 + 16(bias) = 688
还是第二章图片，32 × 9 + 32(bias) + 32 × 16 + 16(bias) = 848
都不对，可能是我算错了，虽然这个参数个数的问题无伤大雅，但还是希望老师能解答一下
写回答
1回答
-
正十七
2021-09-04
参考API文档：https://www.tensorflow.org/api_docs/python/tf/keras/layers/SeparableConv2D
应该是第二种，先做separable convolution，再做1x1卷积。至于参数量，我怀疑是separable convolution没有bias，因为文档中return值的描述是：
A tensor of rank 4 representing
activation(separableconv2d(inputs, kernel) + bias).可以看到，bias是分开加的，只加在separableconv2d后。这里的separableconv2d函数包含分离卷积和1x1卷积两个操作，在separableconv2d里都没有加bias操作。
00
相似问题