Pytorch中卷积层转向全连接层时，全连接层输入维度的确定

一、代码法：
- 改变的AlexNet网络结构：
- AlexNet
二、公式法：

一、代码法：

改变的AlexNet网络结构：

输入维度为（ N ， 1 , 100 ， 100 ）（N，1, 100，100）（N，1,100，100）， N N N为输入的样本数。

import torch.nn as nn
import torch.nn.functional as F
import torch
from torchsummary import summaryclass AlexNet(nn.Module):def __init__(self):super(AlexNet, self).__init__()self.conv1 = nn.Conv2d(1, 96, 11, stride=2)self.conv2 = nn.Conv2d(96, 256, 5, stride=1, padding=2)self.conv3 = nn.Conv2d(256, 384, 3, stride=1, padding=1)self.conv4 = nn.Conv2d(384, 384, 3, stride=1, padding=1)self.conv5 = nn.Conv2d(384, 256, 3, stride=1, padding=1)self.fc1 = nn.Linear(256*6*6, 4096)self.fc2 = nn.Linear(4096, 4096)self.fc3 = nn.Linear(4096, 1000)def forward(self, x):out = F.relu(self.conv1(x))out = F.max_pool2d(out, 2)out = F.relu(self.conv2(out))out = F.max_pool2d(out, 2)out = F.relu(self.conv3(out))out = F.relu(self.conv4(out))out = F.relu(self.conv5(out))out = F.max_pool2d(out, 2)out = out.view(out.size(0), -1)out = F.relu(self.fc1(out))out = F.relu(self.fc2(out))out = self.fc3(out)return out

以 AlexNet 网络结构为例，如上代码。在AlexNet的基础上，将第一层的卷积层的输入通道变成1。代码法相对直观，随机产生一个维度的数据作为调试，我们选择的维度为（ 1 , 100 , 100 ）（1,100,100）（1,100,100），代码如下：

net = AlexNet()
image = torch.randn(2, 1, 100, 100)
out = F.relu(net.conv1(image))
out = F.max_pool2d(out, 2)
out = F.relu(net.conv2(out))
out = F.max_pool2d(out, 2)
out = F.relu(net.conv3(out))
out = F.relu(net.conv4(out))
out = F.relu(net.conv5(out))
out = F.max_pool2d(out, 2)
out.size()

得到输出为：

torch.Size([2, 256, 5, 5])

卷积层的输出维度为：（2, 256, 5, 5）。
全连接层的输入维度为卷积层的输出维度为： 256 × 5 × 5 256\times 5\times 5 256×5×5 。则AlexNet中下面的这行代码：

self.fc1 = nn.Linear(256*6*6, 4096)

需要改为：

self.fc1 = nn.Linear(256*5*5,4096)

全连接层输入的维度为每个图片总的像素点个数。

AlexNet

import torch.nn as nn
import torch.nn.functional as F
import torch
from torchsummary import summaryclass AlexNet(nn.Module):def __init__(self):super(AlexNet, self).__init__()self.conv1 = nn.Conv2d(3, 96, 11, stride=4)self.conv2 = nn.Conv2d(96, 256, 5, stride=1, padding=2)self.conv3 = nn.Conv2d(256, 384, 3, stride=1, padding=1)self.conv4 = nn.Conv2d(384, 384, 3, stride=1, padding=1)self.conv5 = nn.Conv2d(384, 256, 3, stride=1, padding=1)self.fc1 = nn.Linear(256*6*6, 4096)self.fc2 = nn.Linear(4096, 4096)self.fc3 = nn.Linear(4096, 1000)def forward(self, x):out = F.relu(self.conv1(x))out = F.max_pool2d(out, 2)out = F.relu(self.conv2(out))out = F.max_pool2d(out, 2)out = F.relu(self.conv3(out))out = F.relu(self.conv4(out))out = F.relu(self.conv5(out))out = F.max_pool2d(out, 2)out = out.view(out.size(0), -1)out = F.relu(self.fc1(out))out = F.relu(self.fc2(out))out = self.fc3(out)return out

调试代码为：

net = AlexNet()
image = torch.randn(2, 3, 227, 227)
out = F.relu(net.conv1(image))
out = F.max_pool2d(out, 2)
out = F.relu(net.conv2(out))
out = F.max_pool2d(out, 2)
out = F.relu(net.conv3(out))
out = F.relu(net.conv4(out))
out = F.relu(net.conv5(out))
out = F.max_pool2d(out, 2)
out.size()

输出为：

torch.Size([2, 256, 6, 6])

全连接层的输入维度为： 256 × 6 × 6 256\times 6\times 6 256×6×6。

二、公式法：

torch.nn.Conv2d(in_channels,out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

参数如下：

n_channels (int) ：输入图片的维度；
out_channels (int) ：卷积层的输出维度；
kernel_size (int or tuple) ：卷积核的大小；
stride (int or tuple, optional) ：卷积核在原图上扫描时，需要跳跃的格数，默认跳一格；
padding (int, tuple or str, optional) ：输入四个边的填充值，默认为0 ，不填充；
padding_mode (string, optional) ：填充的方式有’zeros’, ‘reflect’, ‘replicate’ or ‘circular’. 默认为’zeros’，填充0值；
dilation (int or tuple, optional) ：卷积核元素间的间隔，默认为1；
groups (int, optional) ：输入通道和输出通道间的联系类别数，默认为1；
bias (bool, optional) ：如果为真，添加一个学习的偏置到输出上，默认为真。

卷积层的输入和输出关系，如下： H o u t H_{out} Hout和 W o u t W_{out} Wout为卷积层输出图片的高和宽。

Pytorch中卷积层转向全连接层时，全连接层输入维度的确定相关推荐

三分钟完全了解PyTorch中卷积层内部计算方法和权值初始值的来历，让你对模型有更深层次的理解
首先先说明第一个答案,也就是PyTorch中卷积层的计算方法,其实这点很多人可能在书上已经看过图了,我只是用代码复现一遍我们把所有变量都明确,首先是输入变量,我们设为2 * 2的全1矩阵,如下: 然 ...
装建津说计算机丢失,宽带连接上网时老是连接不上说缺少netcfg.hlp文件怎么办...
第1篇:宽带连接上网时老是连接不上说缺少netcfg.hlp文件怎么办宽带拨号上网会差文件???的确第一次遇到哦,你会装系统吗?会的话自己重新装一次再拨号连接,能连接就搞定了,不能连接打电话给电信或者 ...
惠普136wm显示无法连接服务器,136w打印机时连接无线时显示连接失败
请问这个问题解决了吗? 操作系统: Microsoft Windows 10 (64-bit),也用Mac OS装HP Smart 试过. 我也碰到这个问题了,136w打印机时连接无线时显示连接失败, ...
Codewarrior中利用PE multilink下载程序debug时不能连接问题
现象:PC连接PE multilink然后连接单片机,mutilink上的与单片机的连接接口是正确的,但点击codewarrior中debug按钮,则会出现连接失败,如下图: 电脑端口也能识别但就是 ...
pytorch中卷积层的使用方法
1. 官方文档解释如图为卷积层的参数汇总: 1.kernel_size: 指卷积核,一般情况下定义大小,这里我们只需要定义其size,而对于其中的参数会自动进行采样,会在训练过程中不断的进行调整. ...
解决keil-5中stm32f103系列使用ST-Link下载程序时不能连接的问题。“flash download failed ”
出现的问题如下: 解决方法如下: 因为新版的Keil加入了下载器的校验机制,所以我们需要替换掉新版编译器下的原文件需要这个文件的评论下方留言记得留言哦. 一.解压后得到STlink文件夹,整个文件夹 ...
macbookair连接iPhone时断断续续连接不稳定的解决方法
打开Macbookair终端命令行,键入以下命令回车即可解决. sudo killall -STOP -c usbd 关注我的公众号免费获取海量Python学习教程,定期更新电子图书资源
反卷积原理 + pytorch反卷积层参数output_padding
一般我们会认为2维卷积的计算分为了以下3类: 1.full 2.same 3. valid 参考:https://cn.mathworks.com/help/matlab/ref/conv2. ...
【连接池】Tomcat 连接池中 maxActive，maxWait，maxAge，testOnBorrow，testWhileIdle等选项的作用
前言连接池本质作用是为客户端提供连接复用,提升连接效率,降低系统开销.Tomcat的连接池提供了maxActive,maxWait,maxIdle,minIdle,initialSize等参数,配置 ...

Pytorch中卷积层转向全连接层时，全连接层输入维度的确定

Pytorch中卷积层转向全连接层时，全连接层输入维度的确定

一、代码法：

改变的AlexNet网络结构：

AlexNet

二、公式法：

Pytorch中卷积层转向全连接层时，全连接层输入维度的确定相关推荐

最新文章

热门文章