请代码构建个SeparableConv2D layer，提升运算速度

`SeparableConv2D`层是TensorFlow库（或其兼容库如Keras）中的一个高效卷积层，它将传统的卷积分为两个步骤：一个空间一维卷积（depthwise convolution），然后一个点一维卷积（pointwise convolution）。这有助于减少计算量和内存需求，特别是对于输入数据的空间维度比通道维度大很多的情况。

以下是如何在Keras中使用`SeparableConv2D`构建一个简单的卷积层：

import tensorflow as tf
from tensorflow.keras.layers import SeparableConv2D, Conv2D

# 假设我们的输入形状是(批量大小, 高度, 宽度, 通道数)，比如(32, 256, 256, 32)

input_shape = (32, 256, 256, 32)
model_input = tf.keras.Input(shape=input_shape)

# 使用SeparableConv2D层代替标准的Conv2D层
separable_conv = SeparableConv2D(
    filters=64,  # 输出通道数
    kernel_size=(3, 3),  # 卷积核尺寸
    strides=(1, 1),  # 步长
    padding='same',  # 是否填充保持边界不变
    depth_multiplier=1,  # 空间维度的卷积次数
)(model_input)

# 可能需要加上其他层，例如ReLU激活
separable_conv = tf.keras.layers.ReLU()(separable_conv)

# 创建完整的模型
model = tf.keras.Model(inputs=model_input, outputs=separable_conv)

在这个例子中，`filters`指定了输出通道数，`kernel_size`决定了卷积核的大小，`strides`指定步长，`depth_multiplier`控制了每个空间维度上的卷积次数。由于只对每个通道进行一次卷积，所以效率得到了显著提高。