Tensorflow：深度卷积到底做什么？

我想用Tensorflow的。据我现在所知，它对每个通道执行常规2D卷积，每个通道都有一个

深度\u乘法器

数量的特征

---

然后，如果

depth\u multiplier=1

，我应该期望输入通道的数量与输出通道的数量相同。但为什么我可以有256个输入通道和512个输出通道？额外的频道从哪里来

过滤器的大小

[过滤器高度、过滤器宽度、通道内、通道倍增器]

。如果

通道\u乘数=1

，则得到与输出相同数量的输入通道。如果其

N

，则将

N*输入_通道

作为

输出通道

，每个

输入通道

l与

N

过滤器进行卷积

比如说,

inputs = tf.Variable(tf.random_normal((20, 64,64,100)))
filters = tf.Variable(tf.random_normal((5,5,100,10)))
out = tf.nn.depthwise_conv2d(
      inputs,
      filters,
      strides=[1,1,1,1],
      padding='SAME')

---

你得到了

形状：
形状=（20,64,64,1000）
我修改了@vijay m的代码来进一步解释。他的回答绝对正确。然而，我仍然没有得到它

快速的答案是“通道乘数”是一个让人困惑的参数名称。它可以称为“每个通道要应用的过滤器数量”。因此，请注意此代码段的大小：

filters=tf.Variable（tf.random_normal（（5,5100,10））

它的大小允许您对每个输入通道应用10个不同的过滤器。我已经创建了前一个答案代码的一个版本，可能具有指导意义：

# batch of 2 inputs of 13x13 pixels with 3 channels each.
# Four 5x5 filters applied to each channel, so 12 total channels output
inputs_np = np.ones((2, 13, 13, 3))
inputs = tf.constant(inputs_np)
# Build the filters so that their behavior is easier to understand.  For these filters
# which are 5x5, I set the middle pixel (location 2,2) to some value and leave
# the rest of the pixels at zero
filters_np = np.zeros((5,5,3,4)) # 5x5 filters for 3 inputs and applying 4 such filters to each one.
filters_np[2, 2, 0, 0] = 2.0
filters_np[2, 2, 0, 1] = 2.1
filters_np[2, 2, 0, 2] = 2.2
filters_np[2, 2, 0, 3] = 2.3
filters_np[2, 2, 1, 0] = 3.0
filters_np[2, 2, 1, 1] = 3.1
filters_np[2, 2, 1, 2] = 3.2
filters_np[2, 2, 1, 3] = 3.3
filters_np[2, 2, 2, 0] = 4.0
filters_np[2, 2, 2, 1] = 4.1
filters_np[2, 2, 2, 2] = 4.2
filters_np[2, 2, 2, 3] = 4.3
filters = tf.constant(filters_np)
out = tf.nn.depthwise_conv2d(
      inputs,
      filters,
      strides=[1,1,1,1],
      padding='SAME')
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    out_val = out.eval()

print("output cases 0 and 1 identical? {}".format(np.all(out_val[0]==out_val[1])))
print("One of the pixels for each of the 12 output {} ".format(out_val[0, 6, 6]))
# Output:
# output cases 0 and 1 identical? True
# One of the pixels for each of the 12 output [ 2.   2.1  2.2  2.3  3.   3.1  3.2  3.3  4.   4.1  4.2  4.3]

谢谢，非常详细的解释。