Tensorflow tf.contrib.layers.separable_conv2d的操作数

我正在阅读CVPR2018的论文，以及发布的代码：

现在，我对论文中的等式（4）有一个问题：瓶颈lstm的成本是DK^2*（M+N）*DF^2+（M+N）*N*DF^2+4（DK^2*N*DN^2+N^2*DF^2）

当我阅读源代码时，我看到两个连续的tf.contrib.layers.separable_conv2d被用来形成本文中描述的bottlenek lstm

我对前两个任期毫无疑问，但是，对于第三个任期，我认为应该是（DK^2*N*D2+4*N^2*DF^2）。也就是说，系数4应仅适用于第三项内的后者，因为tf.contrib.layers.separable_conv2d由纵深方向conv和点方向conv组成，纵深方向conv与输出通道无关。

我错过什么了吗？还是报纸上写得不对

对于可分离卷积的计算，I遵循等式（5）

瓶颈lstm计算的选定代码：

bottleneck = tf.contrib.layers.separable_conv2d(
         tf.concat([inputs, h], 3),
         self._num_units,
         self._filter_size,
         depth_multiplier=1,
         activation_fn=self._activation,
         normalizer_fn=None,
         scope='bottleneck')

if self._viz_gates:
       slim.summaries.add_histogram_summary(bottleneck, 'bottleneck')

concat = tf.contrib.layers.separable_conv2d(
         bottleneck,
         4 * self._num_units,
         self._filter_size,
         depth_multiplier=1,
         activation_fn=None,
         normalizer_fn=None,
         scope='gates')

为了保持一致性，让我们

self._filter_size=[Dk,Dk]
self._num_units = N
inputs shape is [batch, DF, DF, M]
h shape is [batch, DF, DF, N]