简要解释什么是Conv1d,Conv2d,Conv3d
文章目录
- Conv2d
- Conv1d
- Conv3d
- 实战
- conv1d
解释什么是Conv1d,Conv2d,Conv3d归结为解释什么是1d,2d,3d。
这个是指除去chanel,除去batch_size,你的输入是多少维的。
比如说:
Conv2d
计算机视觉中,手写数字识别,训练的时候数据形状为:(batch_size,1,28,28),除去batch_size,除去chanel,其实(28,28),也就是两维的,所以使用Conv2d
,此时卷积核(没有batch_size,参数是共享的)除去chanel,也是二维的。
Conv1d
自然语言处理中一个句子序列,一维的,所以使用Conv1d
,此时卷积核(没有batch_size,参数是共享的)除去chanel,也是一维的。
Conv3d
这个或许比较难以理解,因为有人会觉得,这个3d是不是没有去掉chanel,去掉不就是2d了吗?本身chanel这个东西你怎么定义都是随便的,这个3d的东西是不是应该有chanel,是根据我们具体问题具体分析的。我们要从感受野,CNN的思想出发,如果你觉得有一个3d的东西是一个整体,不可分割(注意,如果有channel,那么channel之间的操作是独立的,互不影响!),必须一小块体积一小块体积来使用局部卷积,那么这个东西就没有channel,就应当使用Conv3d
。
实战
import torch.nn as nn
import torch
conv1d
我们的数据a的shape为[1,2,3],即batch_size=1,“chanel”=2,这个chanel其实可能是自然语言处理中的句子长度seq_len(懂得都懂!)
定义卷积层。
b=torch.ones(8)
b[0]=2
b[1]=2
b[3]=9
conv1d=nn.Conv1d(2,4,kernel_size=1)
conv1d.weight.data=nn.Parameter(b.view(4,2,1))
conv1d.weight
上述是4个卷积核。第一个卷积核是[2,2],其有一个专属于这个卷积核的偏置,其将会和我们的数据[2,2],[2,0],[2,2]分别做内积,然后分别加上这个相同的偏置bias,得到含有3个数的向量,其作为第一个通道,然后第二个卷积也是这样做,,从而得到4个通道,每个通道都是3个数的向量。
简要解释什么是Conv1d,Conv2d,Conv3d相关推荐
- PyTorch:学习conv1D,conv2D和conv3D
背景 CNN是深度学习的重中之重,而conv1D,conv2D,和conv3D又是CNN的核心,所以理解conv的工作原理就变得尤为重要.在本博客中,将简单梳理一下这三种卷积,以及在PyTorch中的 ...
- 【tensorflow】conv2d/conv3d/maxpool2d/maxpool3d
近来需要做一个3DCNN的网络模型,就把tensorflow中2d和3d的卷积和最大池化的API整理了一下,以便加深印象. 1.2d卷积 1.1 原理 首先,上图说明卷积是如何操作的: 在第一幅图中, ...
- 谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词
这是一篇程序员写给程序员的趣味读物.所谓趣味是指可以比较轻松地了解一些原来不清楚的概念,增进知识,类似于打RPG游戏的升级.整理这篇文章的动机是两个问题: 问题一: 使用Windows记事本的&quo ...
- 【转】谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词
这是一篇程序员写给程序员的趣味读物.所谓趣味是指可以比较轻松地了解一些原来不清楚的概念,增进知识,类似于打RPG游戏的升级.整理这篇文章的动机是两个问题: 问题一: 使用Windows记事本的&quo ...
- 转:谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词
一篇程序员写给程序员的趣味读物.所谓趣味是指可以比较轻松地了解一些原来不清楚的概念,增进知识,类似于打RPG游戏的升级.整理这篇文章的动机是两个问题: 问题一: 使用Windows记事本的" ...
- 在Ruby on Rails中对nil v。空v。空白的简要解释
我发现自己一再寻找nil?差异的明确定义nil? , blank? , empty? 在Ruby on Rails中. 这是我最接近的: blank? 对象是false,空或空白字符串. 例如, &q ...
- P2P下载工作原理简要解释
朋友给了一个BT的种子,查后得知就是视频的下载链接,于是质问朋友:"为什么不给我视频,而给种子."朋友无语,仿佛对待外星生物一样看待我,于是心有不甘,赶忙查清为什?摘录如下,与大家 ...
- 关于计算机中二进制原码,反码,补码的简要解释
原码,补码,反码的概念 正数原码:正数的原码为取绝对值的数转二进制,5的原码为 00000000 00000000 00000000 00000101 负数原码:负数的原码为取绝对值 ...
- 信息源按加工深度划分_按文献信息资源内容加工深度可以将文献划分为哪些类型,并简要解释?...
展开全部 根据文献内容和加工深度可将文献划分为:零次文献.一次文献.二32313133353236313431303231363533e78988e69d8331333431363036次文献.三次文 ...
最新文章
- OpenCV(一)图像读取与新建、图像显示、操作图像像素(2种涂色并比较算法优劣、输出RGB)
- python散点图拟合曲线-python散点图:如何添加拟合线并显示拟合方程与R方?
- 快递物流查询接口介绍
- matlab6432有什么区别,在同一台机器上使用Matlab 32和64位,如何在不同的地方存储设置?...
- jMeter debug postprocessor的用法
- 图像卷积与滤波知识点整理(2)
- 对于 APM 用户的一次真实调查分析(下)
- javaone_JavaOne 2012 – 2400小时! 一些建议
- Alan Walker MV 合辑01 by defender
- IIS 启动不了(服务没有及时响应启动或控制请求)解决
- Unity3D命令行Build
- python一个等号和两个等号的区别_请问Python语言中is与双等号==有什么区别及作用...
- 力扣-572. 另一棵树的子树
- VS2010-MFC(Ribbon界面开发:为Ribbon Bar添加控件)
- 模拟游戏--鸭子的种类
- Minimax AI 算法在井字游戏(或 Noughts and Crosses)游戏中的实现
- 神经网络占用内存(显存)的计算
- 拼多多关键词搜索采集商品数据接口,拼多多分类ID搜索采集商品销量接口,拼多多上货接口
- HoloView 在 jyputer lab/notebook 不显示总结
- TortoiseSVN教程级别指南
热门文章
- 智源论坛(第5期)活动报名 | 机器学习系列报告会(7月4日、10日)
- 图灵五周年生日聚会圆满成功,多家媒体对此进行报道
- opencv python 多帧降噪算法_防抖技术 | OpenCV实现视频稳流
- 如何上手深度学习中的图像处理?有这个代码资源库就够了
- 大数据竞赛平台——Kaggle 入门篇
- 2021年Graph ML热门趋势和主要进展总结
- GitHub超3万星最全面试题库:计算机面试题一网打尽
- 付睿:对新事物的追寻之旅 | 优秀毕业生专访
- 独家 | 一文带你上手卷积神经网络实战(附数据集学习资料)
- 独家 | Michael I.Jordan:大数据时代下的安全实时决策堆栈与增强学习(视频+精华笔记)