卷积的理解 python代码实现 pytorch 多输入多输出通道的理解
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了卷积的理解 python代码实现 pytorch 多输入多输出通道的理解,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1492字,纯文字阅读大概需要3分钟。
内容图文
![卷积的理解 python代码实现 pytorch 多输入多输出通道的理解](/upload/InfoBanner/zyjiaocheng/668/ecafc3add20b4e1e9efdf0e6a2a2023e.jpg)
1.多输入通道
当输入数据含多个通道时,我们需要构造一个输入通道数与输入数据的通道数相同的卷积核。以1维卷积为例,卷积窗口大小为1*1,输入有三个通道,所以卷积的通道数也应该为3个通道。如下图所示,输入的数据有三个通道,卷积也有三个通道,每个通道都是一个1维的卷积核且卷积核的大小为1?1, 但是这样当输入通道有多个时,我们对各个通道的结果进行了累加,所以不论输入通道数是多少,输出通道数总是1.
代码实现:
ef corr2d(X,K): h,w = K.shape Y = torch.zeros(X.shape[0] - h + 1,X.shape[1] - w + 1) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i,j] = (X[i:i + h, j: j + w]*K).sum() return Y def corr2d_mutil_in(X,K): h,w = K.shape[1],K.shape[2] value = torch.zeros(X.shape[0] - h + 1,X.shape[1] - w + 1) for x,k in zip(X,K): value = value + corr2d(x,k) return value X = torch.tensor([[[1,2,3],[4,5,6],[7,8,9]], [[1,1,1],[1,1,1],[1,1,1]], [[2,2,2],[2,2,2],[2,2,2]]]) K = torch.tensor([[[1]],[[2]],[[3]]]) print(K.shape) corr2d_mutil_in(X,K) Output: tensor([[ 9., 10., 11.], [12., 13., 14.], [15., 16., 17.]])
2.多输出通道
X = torch.tensor([[[1,2,3],[4,5,6],[7,8,9]], [[1,1,1],[1,1,1],[1,1,1]], [[2,2,2],[2,2,2],[2,2,2]]]) K = torch.tensor([[[[1]],[[2]],[[3]]], [[[4]],[[1]],[[1]]], [[[5]],[[3]],[[3]]]]) print(K.shape) 输出: torch.Size([3, 3, 1, 1])
def corr2d_multi_in_out(X,K): return torch.stack([corr2d_mutil_in(X,k) for k in K]) corr2d_multi_in_out(X,K) 输出: tensor([[[ 9., 10., 11.], [12., 13., 14.], [15., 16., 17.]], [[ 7., 11., 15.], [19., 23., 27.], [31., 35., 39.]], [[14., 19., 24.], [29., 34., 39.], [44., 49., 54.]]])
内容总结
以上是互联网集市为您收集整理的卷积的理解 python代码实现 pytorch 多输入多输出通道的理解全部内容,希望文章能够帮你解决卷积的理解 python代码实现 pytorch 多输入多输出通道的理解所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。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, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。