大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全家桶1年46,售后保障稳定
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])
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/198623.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...