Python 如何在tensorflow/keras中使用常数滤波器进行卷积

在resnet的某个阶段，我每个图像有6个特征，即每个示例的形状为1x8x6，我希望每个特征都包含4个大小为1x2x1x1的常量过滤器（DWT），步幅为2，以便在下一层中获得24个特征，并将图像变为1x4x24。但是，我无法使用tf.nn.conv2d或tf.nn.convolution实现此目的，conv2d表示输入的第四维等于滤波器的第三维，但我如何做到这一点，我尝试了第一个滤波器，但即使这样也不起作用：

x_in = np.random.randn(1,8,8,6)
kernel_in = np.array([[[[1],[1]],[[1],[1]]]])
kernel_in.shape
x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)
tf.nn.convolution(x, kernel, strides=[1, 1, 1, 1], padding='VALID')

这样试试

x_in = np.random.randn(1,8,8,6) # [batch, in_height, in_width, in_channels]
kernel_in = np.ones((2,2,6,24)) # [filter_height, filter_width, in_channels, out_channels]

x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)

tf.nn.conv2d(x, kernel, strides=[1, 2, 2, 1], padding='VALID')
# <tf.Tensor: shape=(1, 4, 4, 24), dtype=float32, numpy=....>

x_in=np.random.randn（1,8,8,6）#[批次，单位高度，单位宽度，单位通道]
内核_in=np.one（（2,2,6,24））#[过滤器高度，过滤器宽度，输入通道，输出通道]
x=tf.constant（x_in，dtype=tf.float32）
kernel=tf.constant（kernel_in，dtype=tf.float32）
conv2d（x，内核，步幅=[1,2,2,1]，padding='VALID'）
# 

用这种方法试试

x_in = np.random.randn(1,8,8,6) # [batch, in_height, in_width, in_channels]
kernel_in = np.ones((2,2,6,24)) # [filter_height, filter_width, in_channels, out_channels]

x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)

tf.nn.conv2d(x, kernel, strides=[1, 2, 2, 1], padding='VALID')
# <tf.Tensor: shape=(1, 4, 4, 24), dtype=float32, numpy=....>

x_in=np.random.randn（1,8,8,6）#[批次，单位高度，单位宽度，单位通道]
内核_in=np.one（（2,2,6,24））#[过滤器高度，过滤器宽度，输入通道，输出通道]
x=tf.constant（x_in，dtype=tf.float32）
kernel=tf.constant（kernel_in，dtype=tf.float32）
conv2d（x，内核，步幅=[1,2,2,1]，padding='VALID'）
# 

如何在TF2中的

Keras.conv2d

层中为过滤器填充预定义值的简单示例：

model=models.Sequential（）
#一个3x3过滤器
添加（layers.Conv2D（1，（3，3），input_shape=（无，无，1）））
#访问目标层
图层=模型。图层[0]
current_w，current_bias=图层。获取_权重（）#查看当前权重
new_w=tf.常数（[[1,2,3]，
[4, 5, 6],
[7, 8, 9]])
new_w=tf.重塑（new_w，custom_w.形状）#固定形状
新偏差=tf.常数（[0]）
层。设置权重（[new\u w，new\u bias]）
model.summary（）
#让我想想。。
tf.print（model.layers[0]。获取权重（）

如何在TF2中的

Keras.conv2d

层中为过滤器填充预定义值的简单示例：

model=models.Sequential（）
#一个3x3过滤器
添加（layers.Conv2D（1，（3，3），input_shape=（无，无，1）））
#访问目标层
图层=模型。图层[0]
current_w，current_bias=图层。获取_权重（）#查看当前权重
new_w=tf.常数（[[1,2,3]，
[4, 5, 6],
[7, 8, 9]])
new_w=tf.重塑（new_w，custom_w.形状）#固定形状
新偏差=tf.常数（[0]）
层。设置权重（[new\u w，new\u bias]）
model.summary（）
#让我想想。。
tf.print（model.layers[0]。获取权重（）