使用 Tensorflow 2.0 在同一层中使用不同大小的过滤器答案

【问题标题】：Different size filters in the same layer with Tensorflow 2.0使用 Tensorflow 2.0 在同一层中使用不同大小的过滤器
【发布时间】：2019-08-10 02:51:20
【问题描述】：

我正在 Udemy 上一门关于 Tensorflow 2.0 的课程，并将其应用于图像数据集。无论如何 - 类代码库中的典型卷积层如下所示：

model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, padding="same", activation="relu"))

是否可以在同一层添加多个过滤器，例如：kernel_size=2、kernel_size=3、kernel_size=4 和 kernel_size=5？

请注意，我想知道在TF2.0 中这是如何完成的

编辑：我没有将问题限制在仅 conv2d 层。

【问题讨论】：

标签： python tensorflow machine-learning computer-vision

【解决方案1】：

根据documentation 中提到的 Conv2D 层的内核大小参数的描述，您不能添加具有不同内核大小或步幅的多个过滤器。

此外，具有不同大小内核的卷积将产生不同高度和宽度的输出。假设对称核的输出大小的通用公式由

给出

(X−K+2P)/S+1

其中 X 是输入高度/宽度
K 是内核大小
P 是零填充
S 是步长

因此，假设您保持零填充和步幅相同，您不能在 Conv2D 层中拥有多个大小不同的内核。

但是，您可以使用tf.keras.Model API 在同一输入上多次使用 Conv2D，然后在堆叠它们之前裁剪或使用零填充来匹配不同输出的尺寸。

例如。

inputs = tf.keras.Input(shape=(H,W,))
x1 = tf.keras.layers.Conv2D(filters=32, kernel_size=3)(inputs)
x2 = tf.keras.layers.Conv2D(filters=16, kernel_size=5)(inputs)
#match dimensions (height and width) of x1 or x2 here 
x3 = tf.keras.layers.Concatenate(axis=-1)[x1,x2]

使用Zeropadding2D 或Cropping2D 匹配尺寸。

【讨论】：

这里这家伙声称在同一层中有多个宽度过滤器 - 如果我理解正确：wildml.com/2015/12/… 页面中有代码链接。我还没有弄清楚。拥有多个层与拥有具有所有功能的多个过滤器不同 - 我认为。
在我提供的链接的代码中-如果您查看“train.py”-过滤器大小的默认值（在标志中）是“3,4,5”...
这家伙所做的和我建议的差不多。引用他的话，“请记住，我们使用不同大小的过滤器。因为每个卷积产生不同形状的张量，我们需要遍历它们，为它们中的每一个创建一个层，然后将结果合并到一个大特征向量中。”唯一的区别是他在连接之前使用最大池而不是裁剪或零填充。如果您不限于 Conv2d，您也可以使用他的方法。