如何用等步长深度可分离卷积实现不等步长效果？

嘿，这个问题我之前也踩过坑！确实有些版本的tf.nn.depthwise_conv对高度和宽度方向不等步长的支持不太友好，但咱们完全可以通过组合几个基础操作来模拟出你想要的效果，下面给你两种实用的思路：

方法1：先做单维度下采样，再用等步长深度卷积 #

假设你想要实现高度步长为2、宽度步长为1的深度可分离卷积效果，可以先对输入特征图做对应方向的下采样，再用步长均为1的深度卷积：

• 下采样可以用池化层（最大池化/平均池化），也可以用1×1卷积层实现可学习的下采样，按需选择即可：

import tensorflow as tf

# 假设输入特征图形状为 (batch_size, height, width, channels)
input_tensor = tf.random.normal((16, 64, 64, 32))

# 第一步：高度方向下采样，步长2，宽度保持不变
downsampled_h = tf.keras.layers.MaxPool2D(
    pool_size=(2, 1),
    strides=(2, 1),
    padding='same'
)(input_tensor)

# 第二步：定义3×3的深度卷积核
depthwise_kernel = tf.random.normal((3, 3, 32, 1))

# 用等步长的深度卷积
depthwise_output = tf.nn.depthwise_conv2d(
    downsampled_h,
    filter=depthwise_kernel,
    strides=(1, 1, 1, 1),
    padding='SAME'
)

# 按需添加逐点卷积（深度可分离卷积的标准流程）
pointwise_kernel = tf.random.normal((1, 1, 32, 64))
final_output = tf.nn.conv2d(
    depthwise_output,
    filter=pointwise_kernel,
    strides=(1, 1, 1, 1),
    padding='SAME'
)

这样组合后的整体效果，就和直接使用不等步长的深度卷积一致。如果需要宽度步长更大，把下采样方向换成宽度即可。

方法2：拆分两次单维度步长的深度卷积 #

如果不想用池化（担心丢失特征信息），可以把不等步长的需求拆成两次单维度的深度卷积操作：
比如先处理高度方向的步长需求，再处理宽度方向，用不同形状的卷积核拆分原有的卷积操作：

import tensorflow as tf

input_tensor = tf.random.normal((16, 64, 64, 32))

# 第一步：用3×1的深度卷积核处理高度方向，步长设为2
depthwise_kernel_h = tf.random.normal((3, 1, 32, 1))
output_h = tf.nn.depthwise_conv2d(
    input_tensor,
    filter=depthwise_kernel_h,
    strides=(1, 2, 1, 1),
    padding='SAME'
)

# 第二步：用1×3的深度卷积核处理宽度方向，步长保持1
depthwise_kernel_w = tf.random.normal((1, 3, 32, 1))
depthwise_output = tf.nn.depthwise_conv2d(
    output_h,
    filter=depthwise_kernel_w,
    strides=(1, 1, 1, 1),
    padding='SAME'
)

# 添加逐点卷积得到最终输出
pointwise_kernel = tf.random.normal((1, 1, 32, 64))
final_output = tf.nn.conv2d(
    depthwise_output,
    filter=pointwise_kernel,
    strides=(1, 1, 1, 1),
    padding='SAME'
)

这种方法相当于把3×3的卷积拆成了3×1和1×3的两次卷积，既绕开了原API的限制，也能尽量保留特征信息。

需要注意的是，两种方法都要留意padding的设置，确保输出特征图的维度符合你的预期。另外，如果你的TensorFlow版本较新，可以再检查下tf.nn.depthwise_conv2d的参数，新版本已经支持高度和宽度方向不等步长的直接设置了哦！

备注：内容来源于stack exchange，提问作者Ink