栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

pytorch一维卷积与二维卷积含义及使用示例

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

pytorch一维卷积与二维卷积含义及使用示例

卷积(Convolution)操作比较常见,是通过一个卷积核在特征图上的滑动,得到另一个特征图

卷积操作通常被理解为提取局部特征


以二维卷积为例,通常有以下三种模式:

  • Full Mode:以卷积层最下角对齐输入的最上角,最后会导致输入维度 < 输出维度,其中浅色的地方一般是补0
  • Valid Mode:从输入的最上角开始,最后输入维度 > 输出维度
  • Same Mode:自适应匹配位置,使最终的输入维度 = 输出维度

在pytorch里直接指定输入输出,而不需要指定模式

一维卷积
import torch
import torch.nn as nn

input_x = torch.randn(50, 3, 33)  # batch size, channel 通道数, 任意维度
conv1d = nn.Conv1d(3, 20, kernel_size=10)  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv1d(input_x).shape)  # torch.Size([50, 20, 24])

最后输出的维度是torch.Size([50, 20, 24]),其中:

  • 50:batch的大小
  • 20:初始化nn.Conv1d时指定的输出通道数
  • 24:卷积后的维度,值等于input_x最后的维度 - kernel_size + 1
二维卷积
import torch
import torch.nn as nn

input_x = torch.randn(50, 3, 44, 33)  # batch size, channel 通道数, 特征图长, 特征图宽
conv2d = nn.Conv2d(3, 20, kernel_size=10)  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv2d(input_x).shape)  # torch.Size([50, 20, 35, 24])

最后的输出中torch.Size([50, 20, 35, 24]),其中:

  • 50:batch的大小
  • 20:初始化nn.Conv2d时指定的输出通道数
  • 35:卷积后的特征图长,值等于input_x特征图长 - kernel_size + 1
  • 24:卷积后的特征图宽,值等于input_x特征图宽 - kernel_size + 1
转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/892963.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号