ja wypróbowania ostatnie prace arXiv nazwie „Factorized CNN”tf.nn.depthwise_conv2d jest zbyt wolny. Jest to normalne?
które głównie dowodzi, że przestrzennie oddzielone splotowi (głębokość mądry splot) razem z liniowym występem kanału zegara (1x1conv), można przyspieszyć operacji splotu .
this is the figure for their conv layer architecture
I okazało się, że mogę wdrożyć tę architekturę z tf.nn.depthwise_conv2d i splot 1x1, lub z tf.nn.separable_conv2d.
poniżej jest moje wykonanie:
#conv filter for depthwise convolution
depthwise_filter = tf.get_variable("depth_conv_w", [3,3,64,1], initializer=tf.random_normal_initializer(stddev=np.sqrt(2.0/9/32)))
#conv filter for linear channel projection
pointwise_filter = tf.get_variable("point_conv_w", [1,1,64,64], initializer=tf.random_normal_initializer(stddev=np.sqrt(2.0/1/64)))
conv_b = tf.get_variable("conv_b", [64], initializer=tf.constant_initializer(0))
#depthwise convolution, with multiplier 1
conv_tensor = tf.nn.relu(tf.nn.depthwise_conv2d(tensor, depthwise_filter, [1,1,1,1], padding='SAME'))
#linear channel projection with 1x1 convolution
conv_tensor = tf.nn.bias_add(tf.nn.conv2d(conv_tensor, pointwise_filter, [1,1,1,1], padding='VALID'), conv_b)
#residual
tensor = tf.add(tensor, conv_tensor)
ta powinna wynosić około 9 razy szybciej niż oryginalny 3x3x64 -> 64 kanałów splotu.
Nie mogę jednak doświadczyć poprawy wydajności.
Muszę założyć, że robię to źle, lub coś jest nie tak z implementacją tensorflow.
Ponieważ istnieje kilka przykładów użycia depthwise_conv2d, pozostawiam to pytanie tutaj.
Czy ta wolna prędkość jest normalna? czy jest jakiś błąd?