PyTorch中nn.Conv2d与nn.ConvTranspose2d函数的用法
1. 通道数问题
- 描述一个像素点，如果是灰度，那么只需要一个数值来描述它，就是单通道。如果有RGB三种颜色来描述它，就是三通道。最初输入的图片样本的
channels，取决于图片类型； - 卷积操作完成后输出的
out_channels，取决于卷积核的数量。此时的out_channels也会作为下一次卷积时的卷积核的in_channels； - 卷积核中的
in_channels，上面已经说了，就是上一次卷积的out_channels，如果是第一次做卷积，就是样本图片的channels。
举个例子，假设现有一个为 6×6×3的图片样本，使用 3×3×3 的卷积核（filter）进行卷积操作。此时输入图片的 channels 为 3，而卷积核中的 in_channels 与需要进行卷积操作的数据的 channels 一致（就是图片样本，为3）。接下来进行卷积操作，卷积核中的27个数字与分别与样本对应相乘后，再进行求和，得到第一个结果。依次进行，最终得到 4×4的结果。由于只有一个卷积核，所以最终得到的结果为 4×4×1，out_channels 为 1。如下图所示：
在实际应用中，都会使用多个卷积核。这里如果再加一个卷积核，就会得到 4×4×2的结果。如下图所示：
2. nn.Conv2d
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True)
nn.Conv2d的功能是：对由多个输入平面组成的输入信号进行二维卷积。输入信号的形式为：
(N,C_{in},H,W)
（1）参数说明
**N：**表示batch size（批处理参数）
C_{in} ：表示channel个数
**H，W：**分别表示特征图的高和宽。
**stride(步长)：**步长，默认为1，可以设为1个int型数或者一个(int, int)型的tuple。
**kernel_size：**卷积核的宽度和长度，单个整数或由两个整数构成的list/tuple。如为单个整数，则表示在各个空间维度的相同长度。
**padding(补0)：**控制zero-padding的数目，padding是在卷积之前补0。
**dilation(扩张)：**控制kernel点（卷积核点）的间距; 可以在此github地址查看:Dilated convolution animations
**groups(卷积核个数)：**通常来说，卷积个数唯一，但是对某些情况，可以设置范围在1 —— in_channels中数目的卷积核：
（2）图像尺寸
经过一次卷积之后，生成的图的大小：
(original_size - (kernal_size - 1)) / stride
3. nn.ConvTranspose2d
nn.ConvTranspose2d的功能是进行反卷积操作
（1）输入格式
nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)
（2）参数的含义
- in_channels(int) – 输入信号的通道数
- out_channels(int) – 卷积产生的通道数
- kerner_size(int or tuple) - 卷积核的大小
- stride(int or tuple,optional) - 卷积步长，即要将输入扩大的倍数。
- padding(int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
- output_padding(int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
- groups(int, optional) – 从输入通道到输出通道的阻塞连接数
- bias(bool, optional) - 如果bias=True，添加偏置
- dilation(int or tuple, optional) – 卷积核元素之间的间距
审核编辑：汤梓红
-
函数
+关注
关注
3文章
4327浏览量
62567 -
python
+关注
关注
56文章
4792浏览量
84623 -
pytorch
+关注
关注
2文章
807浏览量
13196
发布评论请先 登录
相关推荐
[基于GD32F350RB的音频识别器] 3. CMSIS-NN神经网络配置解析
如何利用PyTorch API构建CNN?
Canny边缘检测器的详细介绍以及Pytorch实现
如何在PyTorch上学习和创建网络模型呢？
一层卷积能做啥？一层卷积可以做超分吗？
松下NN-5508 NN-5558 NN-6508 NN-7
PyTorch中 torch.nn与torch.nn.functional的区别
如何对图片进行卷积计算
0参数量+0训练，3D点云分析方法Point-NN刷新多项SOTA
NN1-XXXXXH6 系列 NN1-XXXXXH6 系列
工商网监
评论