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

pytorch一维卷积与二维卷积含义及使用示例
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)
conv1d = nn.Conv1d(3, 20, kernel_size=10)
print(conv1d(input_x).shape)

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&#x6700;&#x540E;&#x7684;&#x7EF4;&#x5EA6; - kernel_size + 1

二维卷积

import torch
import torch.nn as nn

input_x = torch.randn(50, 3, 44, 33)
conv2d = nn.Conv2d(3, 20, kernel_size=10)
print(conv2d(input_x).shape)

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&#x7279;&#x5F81;&#x56FE;&#x957F; - kernel_size + 1
  • 24:卷积后的特征图宽,值等于 input_x&#x7279;&#x5F81;&#x56FE;&#x5BBD; - kernel_size + 1

Original: https://blog.csdn.net/weixin_35757704/article/details/124792641
Author: 呆萌的代Ma
Title: pytorch一维卷积与二维卷积含义及使用示例

原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/707080/

转载文章受原作者版权保护。转载请注明原作者出处!

(0)

大家都在看

亲爱的 Coder【最近整理,可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球