在Keras/Tensorflow中实现无通道混合的可分离深度卷积是否可行？

当然可以实现！你描述的需求，其实正好对应Keras/TensorFlow里的深度卷积（Depthwise Convolution）——这也是深度可分离卷积的核心第一阶段，完全符合你“单个滤波器作用于单个通道、不混合通道结果、输入输出通道数相等”的要求。

核心实现思路 #

深度卷积的本质就是：为每个输入通道分配独立的卷积核，卷积操作仅在单个通道内部进行，不会跨通道混合结果，因此输出通道数必然和输入通道数一致。

代码示例 #

直接使用tf.keras.layers.DepthwiseConv2D层即可完成，无需额外自定义：

import tensorflow as tf

# 定义输入张量（示例为64x64的3通道图像）
input_tensor = tf.keras.Input(shape=(64, 64, 3))

# 深度卷积层：每个输入通道对应一个3x3卷积核，不跨通道混合
depthwise_layer = tf.keras.layers.DepthwiseConv2D(
    kernel_size=(3, 3),  # 卷积核尺寸
    strides=(1, 1),      # 步长
    padding='same',      # 保持输出尺寸和输入一致
    use_bias=True        # 根据需求选择是否启用偏置
)(input_tensor)

# 构建模型并查看结构
model = tf.keras.Model(inputs=input_tensor, outputs=depthwise_layer)
model.summary()

关键说明 #

• 运行上述代码后，你会发现输出张量的通道数和输入完全一致（示例中都是3通道），每个通道的卷积结果独立，没有跨通道混合。
• 如果你之前接触过完整的深度可分离卷积（tf.keras.layers.SeparableConv2D），要注意：完整的深度可分离卷积是“深度卷积 + 1x1点卷积”，点卷积会改变通道数；而你需要的是单独的深度卷积阶段，所以直接用DepthwiseConv2D就对了。
• 可以通过调整kernel_initializer自定义卷积核初始化方式，也可以通过depth_multiplier参数（默认值为1）来控制每个输入通道对应多少个卷积核（如果设为2，输出通道数会变成输入的2倍，但这不符合你的需求，保持默认1即可）。

内容的提问来源于stack exchange，提问作者tsorn