TensorFlow 卷积操作

TensorFlow 还提供了一些其他类型的卷积层：

• conv1d()为 1D 输入创建一个卷积层。 例如，在自然语言处理中这是有用的，其中句子可以表示为一维单词阵列，并且接受场覆盖一些邻近单词。
• conv3d()创建一个 3D 输入的卷积层，如 3D PET 扫描。
• atrous_conv2d()创建了一个 atrous 卷积层（“àtrous”是法语“with holes”）。 这相当于使用具有通过插入行和列（即，孔）而扩大的卷积核的普通卷积层。 例如，等于[[1,2,3]]的1×3卷积核可以以4的扩张率扩张，导致扩张的卷积核[[1,0,0,0,2,0,0,0,3]]。 这使得卷积层在没有计算价格的情况下具有更大的局部感受野，并且不使用额外的参数。
• conv2d_transpose()创建了一个转置卷积层，有时称为去卷积层，它对图像进行上采样（这个名称是非常具有误导性的，因为这个层并不执行去卷积，这是一个定义良好的数学运算（卷积的逆）） 。这是通过在输入之间插入零来实现的，所以你可以把它看作是一个使用分数步长的普通卷积层。例如，在图像分割中，上采样是有用的：在典型的CNN中，特征映射越来越小当通过网络时，所以如果你想输出一个与输入大小相同的图像，你需要一个上采样层。
• depthwise_conv2d()创建一个深度卷积层，将每个卷积核独立应用于每个单独的输入通道。 因此，如果有fn卷积核和fn'输入通道，那么这将输出fn×fn'特征映射。
• separable_conv2d()创建一个可分离的卷积层，首先像深度卷积层一样工作，然后将1×1卷积层应用于结果特征映射。 这使得可以将卷积核应用于任意的输入通道组。