Python 在Pytorch中实现SeparableConv2D 主要目标

带

填充='same'

的SeparableConv2D的PyTorch等效物：

从tensorflow.keras.layers导入SeparableConv2D
x=SeparableConv2D（64，（1，16），使用_bias=False，padding=same'）（x）

对于SeparableConv2D，Pytork的等效值是多少？ 上面说：

如果groups=nInputPlane，kernel=（K，1），（和before是一个Conv2d层，groups=1，kernel=（1，K）），那么它是可分离的

虽然这表示：

它的核心思想是将一个完整的卷积酸分解为两步计算，深度卷积和逐点卷积

这是我的尝试：

x = F.pad(x, (8, 7, 0, 0), )

类可分离组件V2D（nn.模块）：
def uuu init uuuuu（自、输入通道、输出通道、深度、内核大小、偏差=False）：
super（SeparableConv2d，self）。\uuuu init\uuuu（）
self.depthwise=nn.Conv2d（输入通道，输出通道*深度，内核大小=内核大小，组=输入通道，偏差=偏差）
self.pointwise=nn.Conv2d（输出通道*深度，输出通道，内核大小=1，偏差=bias）
def前进（自身，x）：
out=自深（x）
out=自定点（out）
返回

这是正确的吗？这是否等同于tensorflow.keras.layers.SeparableConv2D

填充='相同'怎么样？ 在执行此操作时，如何确保输入和输出大小相同

我的尝试：

x = F.pad(x, (8, 7, 0, 0), )

因为内核大小是

（1,16）

，所以我添加了左填充和右填充，分别为8和7。这是实现

填充='same'

的正确方法（也是最好的方法）吗？如何将其放入我的

SeparableConv2d

类中，并在给定输入数据维度大小的情况下动态计算

全部

类可分离组件V2D（nn.模块）：
def uuu init uuuuu（自、输入通道、输出通道、深度、内核大小、偏差=False）：
super（SeparableConv2d，self）。\uuuu init\uuuu（）
self.depthwise=nn.Conv2d（输入通道，输出通道*深度，内核大小=内核大小，组=输入通道，偏差=偏差）
self.pointwise=nn.Conv2d（输出通道*深度，输出通道，内核大小=1，偏差=bias）
def前进（自身，x）：
out=自深（x）
out=自定点（out）
返回
类别网络（nn.模块）：
定义初始化（自）：
超级（网络，自我）。\uuuu初始化
self.separable_conv=SeparableConv2d(
在_通道中=32，
out_通道=64，
深度=1，
内核大小=（1,16）
)
def前进（自身，x）：
x=F.pad（x，（8,7,0,0），）
x=自可分离的_conv（x）
返回x

---

这些代码有什么问题吗？

链接的定义基本一致。最好的一个在房间里

• “Depthwise”（由于不涉及深度，所以不是一个非常直观的名称）-是一系列规则的2d卷积，仅单独应用于数据层。-“逐点”与具有1x1内核的Conv2d相同

我建议对您的

SeparableConv2d

类进行一些更正：

• 无需使用深度参数-它与out_通道相同
• 我将padding设置为1，以确保与

  内核=（3,3）

  的输出大小相同。如果内核大小不同-使用与常规Conv2d相同的原则，相应地调整填充。示例类

  Net（）

  不再需要-填充在

  SeparableConv2d

  中完成

这是更新的代码，应该类似于tf.keras.layers.SeparableConv2D实现：

class SeparableConv2d(nn.Module):

def __init__(self, in_channels, out_channels, kernel_size, bias=False):
    super(SeparableConv2d, self).__init__()
    self.depthwise = nn.Conv2d(in_channels, in_channels, kernel_size=kernel_size, 
                               groups=in_channels, bias=bias, padding=1)
    self.pointwise = nn.Conv2d(in_channels, out_channels, 
                               kernel_size=1, bias=bias)

def forward(self, x):
    out = self.depthwise(x)
    out = self.pointwise(out)
    return out

---

谢谢你的回答，我有关于

self.depthwise

层的问题。为什么它是nn.Conv2d（1,1）而不是nn.Conv2d（在\u通道中，在\u通道中）

。为什么不使用

groups`参数，而是执行

x。重塑

首先是Conv2d，使用1个过滤器？我的示例基于这样的假设：所有层都使用相同的过滤器进行深度卷积。在回顾了

tf.keras.layers.SeparableConv2D

实现之后，我发现tf对每个层使用了不同的过滤器。您正确地建议它将是

nn。Conv2d（in_channels=N，out_channels=N，groups=N）#N是in_channels

。我将用这两个选项更新我的解决方案中的示例。什么是

torch\u s2d

（我的

名称“torch\u s2d”在这里没有定义

）？什么是自我深度重量[1:]=torch_s2d深度重量[0]做什么，初始重量？

torch_s2d

是测试的剩余部分。我从答案中删除了它，也删除了第二个案例——只留下了一个应该与TF实现相匹配的案例。