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 + 2
2)/ 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]) 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， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/202415.html原文链接：https://javaforall.net
