神经网络的卷积操作中不同的卷积核和不同的填充获得同样的输出

神经网络的卷积操作中不同的卷积核和不同的填充获得同样的输出

nn.Conv2d(in_channels,out_channels,kernel size, stride=l,
padding-0,dilation=l,groups=l,bias=True,padding_mode='zeros',device=None, dtype=None)

nn.Conv2d卷积输人数据的格式是(batch_size,C,H,W),其中 batch_size 是指在一次迭代中输人网络的数据量; C代表输入数据的通道数(channel); H和W分别代表输人数据的长(Height)和宽(Width)。根据不同的需求,需要给Con2d设定不同的参数,下面将对参数的设置方式进行介绍。首先定义卷积操作中各参数对应的符号如下。
H i n / H o u t H_{in}/H_{out} Hin/Hout:代表输入/输出特征图长度,$ W i n / W o u t W_{in}/W_{out} Win/Wout代表输入/输出特征图宽度
KH 代表卷积核的长度、KW 代表卷积核的宽度。
PH 代表长度方向补0的数目、PW 代表宽度方向补0的数目。
SH 代表长度方向卷积步长、SW 代表宽度方向卷积步长。
DH 代表长度方向空洞率、DW 代表宽度方向空洞率。
C i n C_{in} Cin代表输入特征图的通道数、 C o u t C_{out} Cout代表输出特征图的通道数。根据上面的符号设定,可以将特征图的输入和输出尺寸的关系表示如下,floor 向下取整:

H out  = f l o o r ( H in  + 2 × P H − D H × ( K H − 1 ) − 1 S H + 1 ) W out  = f l o o r ( W in  + 2 × P W − D W × ( K W − 1 ) − 1 S W + 1 ) \begin{gathered} H_{\text {out }}=floor(\frac{H_{\text {in }}+2 \times \mathrm{PH}-\mathrm{DH} \times(\mathrm{KH}-1)-1}{\mathrm{SH}}+1 )\\ W_{\text {out }}=floor(\frac{W_{\text {in }}+2 \times \mathrm{PW}-\mathrm{DW} \times(\mathrm{KW}-1)-1}{\mathrm{SW}}+1) \end{gathered} Hout =floor(SHHin +2×PHDH×(KH1)1+1)Wout =floor(SWWin +2×PWDW×(KW1)1+1)

上面的公式总结了 Conv2d 的输入和输出特征图的长宽尺寸计算关系,根据需求选择不同的参数搭配。此外,还需要指定 Conv2d 的输入和输出的通道数。

下面的示例实现了输入和输出特征图长宽相同的卷积计算。根据卷积的计算方式可知,为了保证输入和输出特征图的长宽一致,可以使用步长为1的卷积,所以SH和SW 均设置为1。对于不同的卷积核尺寸(KH,KW),需要计算出对应的补0数目(PH,PW),它们的对应关系如下:

P H = i n t ( K H 2 ) P W = i n t ( K W 2 ) \begin{gathered} \mathrm{PH}=int(\frac{\mathrm{KH}}{2})\\ \mathrm{PW}=int(\frac{\mathrm{KW}}{2}) \end{gathered} PH=int(2KH)PW=int(2KW)

下面将卷积核尺寸 k_size 分别设置为1、3、5和7,这几种卷积核尺寸是最为常用的。所有卷积过程的步长 stride 均设置为1,根据上式计算得到的补0数目分别为0,1,2,3。下面的代码对计算进行了验证,运行后将输出4行torch.Size([1,3,300,400]),证明卷积后输出特征图维度和输入相同。

import torch
import torch.nn as nn
data_in = torch.randn(size=(1, 3, 400, 400))
print(data_in.size())
# 输出结果
k_size = [1, 3, 5, 7]
stride = [1, 1, 1, 1]
pad = [0, 1, 2, 3]
# 输入和输出通道数均设为3
ch_in = 3
ch_out = 3for i in range(len(k_size)):conv2d = nn.Conv2d(ch_in, ch_out, k_size[i], stride[i], pad[i])print(conv2d(data_in).size())

输出:

torch.Size([1, 3, 400, 400])
torch.Size([1, 3, 400, 400])
torch.Size([1, 3, 400, 400])
torch.Size([1, 3, 400, 400])

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处:http://www.mzph.cn/bicheng/31519.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

排序算法、堆排序、大顶堆、小顶堆、手写快排-215. 数组中的第K个最大元素、2336. 无限集中的最小数字

目录 215. 数组中的第K个最大元素 题目链接及描述 题目分析 堆排序分析 堆排序代码编写 快排分析 快排代码编写 2336、无限集中的最小数字 题目链接及描述 题目分析 代码编写 215. 数组中的第K个最大元素 题目链接及描述 215. 数组中的第K个最大元素 - 力扣&#…

python函数——基础

一、函数基础 函数体(功能代码块) 函数是执行特定任务的代码块,通过调用函数名并传递参数(如果有的话)来执行这些任务。 函数的参数 参数列表由一系列参数组成,使用逗号分隔。实参:调用函数时…

C#.net6.0语言+B/S架构+前后端分离 手术麻醉信息管理系统源码

C#.net6.0语言+B/S架构前后端分离 手术麻醉信息管理系统源码 什么是手术麻醉信息管理系统 满足医院等级评级需求 满足电子病历评级需求 满足科室需求 术前 1、患者术前评估/诊断 2、术前讨论制定手术方案 3、手术准备 4、术前准备 术中 1、送手术室 2、麻…

数据库浅识及MySQL的二进制安装

数据库基础概念与MySQL二进制安装与初始化 使用数据库的必要性 数据库可以结构化储存大量数据信息,方便用户进行有效的检索访问 有效的保持数据信息的一致性,完整性,降低数据冗余 可以满足应用的共享和安全方面的要求 数据库基本概念 数据…

C语言经典算法题第一题

题目&#xff1a;古典问题&#xff1a;有一对兔子&#xff0c;从出生后第3个月起每个月都生一对兔子&#xff0c;小兔 子长到第三个月后每个月又生一对兔子&#xff0c;假如兔子都不死&#xff0c;问每个月的兔子总数 为多少&#xff1f; #include <stdio.h>int main() …

Swagger文档渲染,将Filter过滤器中抛出的异常错误消息返回前端显示

一、应用场景 在swagger通过/v2/api-docs获取到后端接口数据后&#xff0c;使用过滤器对/v2/api-docs请求进行拦截&#xff0c;然后对获取到的数据进行处理&#xff0c;当在处理过程中对Filter过滤器中抛出的异常错误消息进行捕获&#xff0c;并将捕获到的异常错误消息返回到前…

【SpringBoot3.x】自定义开发通用SDK

1. 前言 相信大家学习SpringBoot到现在&#xff0c;使用Maven构建项目时&#xff0c;会在pom.xml文件中引入各种各样的依赖&#xff0c;那么我们如何将自己常用的一些工具类库进行封装成starter或者SDK供其他项目使用呢&#xff0c;本博客就会带着大家一步一步创建自定义的SDK…

开源TinyFSM状态机适用于嵌入式工业平台吗?

文章目录 引言基于传统 C 实现的状态机TinyFSM 实现的对比现代 C 实现的状态机性能对比TinyFSM 性能测试传统 C 性能测试现代 C 性能测试 工业Misra C编程标准TinyFSM 的优缺点分析结论 引言 TinyFSM是一个为C设计的轻量级有限状态机开源库库。 在嵌入式系统开发中&#xff0c…

倍思突破氮化镓快充技术,为用户带来安全舒适体验

氮化镓,这个化学式为GaN的化合物,其高热稳定性和化学稳定性使其在多种极端环境中都能保持优良的性能,从而为其在电子器件领域的应用奠定了坚实的基础。 2018年前后开始,氮化镓快充充电器进入国内市场。作为第三代半导体材料的代表,氮化镓具有宽禁带的特性,其禁带宽度远大于传统…

Python连接Redis(简单连接、连接池连接、存取数据示例)

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…

数据中心:AI范式下的内存挑战与机遇

在过去的十年里&#xff0c;数据中心和服务器行业经历了前所未有的扩张&#xff0c;这一进程伴随着CPU核心数量、内存带宽(BW)&#xff0c;以及存储容量的显著增长。这种超大规模数据中心的扩张不仅带来了对计算能力的急剧需求&#xff0c;也带来了前所未有的内存功率密度挑战&…

Docker 从安装到使用的完整指南

目录 什么是 DockerDocker 的核心概念 镜像容器DockerfileDocker Compose Docker 的安装 在 Windows 上安装 Docker在 macOS 上安装 Docker在 Linux 上安装 Docker Docker 的基本使用 启动第一个容器管理容器构建自定义镜像使用 Docker Compose 高级主题 Docker 网络Docker 数…

适合孩子学习用什么的落地灯?五款精品护眼大路灯分享

适合孩子学习用什么的落地灯&#xff1f;说到护眼落地灯&#xff0c;都会出现两种呼声&#xff1a;一种是认为是“智商税”&#xff0c;而另外一种则是妥妥的照明神器&#xff01;护眼大路灯到底是哪种定义呢&#xff1f;贵的护眼灯一定好吗&#xff1f; 这么年&#xff0c;护…

区块链技术:重塑金融市场监管的新引擎

一、引言 随着金融市场的不断发展和创新&#xff0c;监管面临的挑战也日益严峻。传统的监管模式已难以满足现代金融市场的需要&#xff0c;而区块链技术的出现为金融市场监管带来了新的机遇。本文将探讨区块链技术在金融市场监管中的作用&#xff0c;以及它如何重塑监管模式&a…

深入研究websocket直播中signature这个参数怎么来的,模拟自己生成一个

上一节课我们已经找到了生成signature这个字段的代码位置&#xff0c;就是这个B函数&#xff0c;嗯......听起来好像有点奇怪&#xff0c;但是它确实叫B啊&#xff0c;笑死。不管了&#xff0c;看一下里面的逻辑是啥。 注意e参数的内容是&#xff1a; {"app_name":…

【Academy】API测试API testing

API测试API testing 概述API侦察API文档发现API文档使用机器可读的API文档 标识API端点与API端点交互确定支持的HTTP方法确定支持的内容类型使用Intruder查找隐藏端点 查找隐藏参数大量分配漏洞识别隐藏参数测试大规模分配漏洞 防止API中的漏洞服务端参数污染测试查询字符串中的…

作业管理系统

摘 要 随着网络的发展&#xff0c;信息化时代的到来&#xff0c;在教学工作的过程中作用越来越明显&#xff0c;作业的及时发布&#xff0c;学生的及时提交&#xff0c;以及通过网上的批改和评分&#xff0c;都大大促进教学质量的发展&#xff0c;充分的利用网络来加强管理&am…

用类来实现输入和输出时间(时:分:秒)

编写程序&#xff1a; 运行结果&#xff1a; 程序分析&#xff1a; 这是一个很简单的例子。类Time中只有数据成员&#xff0c;而且它们被定义为公用的&#xff0c;因此可以在类的外面对这些成员进行操作。t1被定义为Time类的对象。在主函数中向t1对象的数据成员输入用户…

MongoDB基础知识

​ 文档是mongodb中的最初单元&#xff0c;类似于mysql中的行&#xff0c;集合可以看做一个具有动态模式的表&#xff0c;mongodb可以拥有多个互相独立的数据库&#xff0c;每个数据库&#xff0c;都拥有自己的集合&#xff1b;每一个文档都有一个特殊的健&#xff1a;“_id”&…

“一站式企业服务平台”的功能架构

为提升区域营商环境&#xff0c;为促进区域经济发展&#xff0c;实现资源高效配置&#xff0c;全国各区域政府及产业园区都越来越重视如何创新企业服务机制、提升企业服务水平&#xff0c;来保障区域内的企业稳定及帮扶企业高质量的发展。随着近年来大数据、人工智能等新一代信…