conv2d卷积核_子集卷积
卷积 子集
2023-06-13 09:14:23 时间
学习torch框架中的卷积神经网络,对此进行记录
一、nn.Conv1d
一维的卷积能处理多维数据
- nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)) 参数: in_channel: 输入数据的通道数,例RGB图片通道数为3; out_channel: 输出数据的通道数,这个根据模型调整; kennel_size: 卷积核大小,可以是int,或tuple;kennel_size=2,意味着卷积大小2, kennel_size=(2,3),意味着卷积在第一维度大小为2,在第二维度大小为3; stride:步长,默认为1,与kennel_size类似,stride=2,意味在所有维度步长为2, stride=(2,3),意味着在第一维度步长为2,意味着在第二维度步长为3; padding: 零填充
- 例子
import torch
import torch.nn as nn
import torch.nn.functional as F
x = torch.randn(10, 16, 30, 32, 34)
# batch, channel , height , width
print(x.shape)
class Net_1D(nn.Module):
def __init__(self):
super(Net_1D, self).__init__()
self.layers = nn.Sequential(
nn.Conv1d(in_channels=16, out_channels=16, kernel_size=(3, 2, 2), stride=(2, 2, 1), padding=[2,2,2]),
nn.ReLU()
)
def forward(self, x):
output = self.layers(x)
log_probs = F.log_softmax(output, dim=1)
return log_probs
n = Net_1D() # in_channel,out_channel,kennel,
print(n)
y = n(x)
print(y.shape)
结果:
torch.Size([10, 16, 30, 32, 34])
Net_1D(
(layers): Sequential(
(0): Conv1d(16, 16, kernel_size=(3, 2, 2), stride=(2, 2, 1), padding=[2, 2, 2])
(1): ReLU()
)
)
torch.Size([10, 16, 16, 18, 37])
- 卷积计算 d = (d – kennel_size + 2 * padding) / stride + 1 x = ([10,16,30,32,34]),其中第一维度:30,第一维度,第二维度:32,第三维度:34,对于卷积核长分别是;对于步长分别是第一维度:2,第二维度:,2,第三维度:1;对于padding分别是:第一维度:2,第二维度:,2,第三维度:2; d1 = (30 – 3 + 22)/ 2 +1 = 31/2 +1 = 15+1 =16 d2 = (32 – 2 + 22)/ 2 +1 = 34/2 +1 = 17+1 =18 d3 = (34 – 2 + 2*2)/ 1 +1 = 36/1 +1 = 36+1 =37 batch = 10, out_channel = 16
故:y = [10, 16, 16, 18, 37]
二、nn.Conv2d
二维卷积可以处理二维数据
- nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)) 参数: in_channel: 输入数据的通道数,例RGB图片通道数为3; out_channel: 输出数据的通道数,这个根据模型调整; kennel_size: 卷积核大小,可以是int,或tuple;kennel_size=2,意味着卷积大小(2,2), kennel_size=(2,3),意味着卷积大小(2,3)即非正方形卷积 stride:步长,默认为1,与kennel_size类似,stride=2,意味着步长上下左右扫描皆为2, stride=(2,3),左右扫描步长为2,上下为3; padding: 零填充
- 例子 输入数据X[10,16,30,32],其分别代表:10组数据,通道数为16,高度为30,宽为32
import torch
import torch.nn as nn
x = torch.randn(10, 16, 30, 32) # batch, channel , height , width
print(x.shape)
m = nn.Conv2d(16, 33, (3, 2), (2,1)) # in_channel, out_channel ,kennel_size,stride
print(m)
y = m(x)
print(y.shape)
结果:
torch.Size([10, 16, 30, 32])
Conv2d(16, 33, kernel_size=(3, 2), stride=(2, 1))
torch.Size([10, 33, 14, 31])
3.卷积计算过程: h/w = (h/w – kennel_size + 2padding) / stride + 1 x = ([10,16,30,32]),其中h=30,w=32,对于卷积核长分别是 h:3,w:2 ;对于步长分别是h:2,w:1;padding默认0; h = (30 – 3 + 20)/ 2 +1 = 27/2 +1 = 13+1 =14 w =(32 – 2 + 2*0)/ 1 +1 = 30/1 +1 = 30+1 =31 batch = 10, out_channel = 33 故: y= ([10, 33, 14, 31])
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/198623.html原文链接:https://javaforall.cn
相关文章
- FCN语义分割_卷积神经网络可用于分割吗
- 图像识别与卷积神经网络
- 【深度学习】卷积神经网络理解
- CNN卷积神经网络及图像识别
- 卷积神经网络入门(一)
- resnet是卷积神经网络吗_神经网络架构搜索的应用
- 【说站】python如何在二维图像上进行卷积
- Python人工智能 | 十八.Keras搭建卷积神经网络及CNN原理详解
- CNN卷积神经网络框架_fpga 神经网络
- 一维卷积神经网络的理解是什么_卷积神经网络的输入
- 【keras】一维卷积神经网络做回归「建议收藏」
- pytorch实现卷积神经网络_pytorch项目
- Int J Mol Sci|CSatDTA:带自注意力机制的卷积模型预测药物-靶标亲和力
- JCIM丨像素卷积神经网络引导的化学空间探索用于基于片段的从头药物发现
- C++ 中的卷积神经网络 (CNN)
- NLP任务非Transformer不可?谷歌大规模研究发现预训练卷积模型往往更优
- 【数字信号处理】线性时不变系统 LTI “ 输入 “ 与 “ 输出 “ 之间的关系 ( LTI 系统单位脉冲响应 | 卷积 | 卷积推导过程 )