PyTorch构建卷积层
PyTorch构建卷积层
- 二维图像卷积
- 一、 二维卷积层的实现
- 1. 手动实现二维卷积层
- 2. Pytorch的卷积层API实现
- 二、 二维卷积层的填充和步幅
二维图像卷积
使用全连接层来处理图片时,如果图片的尺寸比较大,那么就会出现参数爆炸的情况,模型复杂度直线提升而难以训练。为了降低模型的复杂度,提出了卷积层的概念。
卷积层是在全连接层的基础上,对于参数的取值加以限制来降低模型的复杂度。基于这样两种假设:
- 平移不变性:
- 局部性原理:
在这两种假设的基础上,卷积层大大减低了参数的数量。
一、 二维卷积层的实现
1. 手动实现二维卷积层
import torch
from torch import nndef corr2d(X, K):"""计算二维相关运算"""h, w = K.shapeY = 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 Yclass Conv2D(nn.Module):"""2维卷积层"""def __init__(self, kernel_size):super().__init__()self.weight = nn.Parameter(torch.rand(kernel_size))self.bias = nn.Parameter(torch.zeros(1))def forward(self, x):return corr2d(x, self.weight) + self.bias# 测试Conv2D是否正确
# 生成输入样本X
>>>X = torch.ones((6, 8))
>>>X[:, 2:6] = 0
>>>X
>tensor([[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.]])# 定义卷积核K,使用corr2d得到输出Y
>>>K = torch.tensor([[1.0, -1.0]])
>>>Y = corr2d(X, K)
>>>Y
>tensor([[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.]])# 实例化卷积模型,使用{X, Y}作为数据,训练模型参数K
conv2d = Conv2D(kernel_size=(1,2))>>>for i in range(10):
>>> Y_hat = conv2d(X)
>>> l = (Y_hat- Y)**2
>>> conv2d.zero_grad()
>>> l.sum().backward()
>>> conv2d.weight.data[:] -= 3e-2 * conv2d.weight.grad
>>> if (i + 1)%2 == 0:
>>> print(f'batch {i+1}, loss {l.sum():.3f}')
>batch 2, loss 7.240
batch 4, loss 1.494
batch 6, loss 0.365
batch 8, loss 0.108
batch 10, loss 0.037# 查看训练结果
>>>conv2d.weight.data
>tensor([[ 1.0058, -0.9686]])
2. Pytorch的卷积层API实现
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
二维卷积层, 输入的尺度是(N, C_in,H,W)(批量大小,输入通道数,*输入尺寸),输出尺度(N,C_out,H_out,W_out)(批量大小,输出通道数,*输出尺寸)。
参数:
in_channels(int) – 输入信号的通道
out_channels(int) – 卷积产生的通道
kerner_size(int or tuple) - 卷积核的尺寸
stride(int or tuple, optional) - 卷积步长
padding (int or tuple, optional)- 输入的每一条边补充0的层数
dilation(int or tuple, `optional``) – 卷积核元素之间的间距
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
训练变量:
weight(tensor) - 卷积的权重,大小是(out_channels, in_channels, kernel_size)
bias(tensor) - 卷积的偏置系数,大小是(out_channel)
import torch
from torch import nn# 测试Conv2D是否正确
# 生成输入样本X
>>>X = torch.ones((6, 8))
>>>X[:, 2:6] = 0
>>>X
>tensor([[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.],[1., 1., 0., 0., 0., 0., 1., 1.]])# 定义卷积核K,使用corr2d得到输出Y
>>>K = torch.tensor([[1.0, -1.0]])
>>>Y = corr2d(X, K)
>>>Y
>tensor([[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.],[ 0., 1., 0., 0., 0., -1., 0.]])# 实例化卷积模型,使用{X, Y}作为数据,训练模型参数K
conv2d = nn.Conv2d(1, 1, kernel_size=(1,2), bias=False)
X = X.reshape((1, 1, 6, 8))
Y = Y.reshape((1, 1, 6, 7))>>>for i in range(10):
>>> Y_hat = conv2d(X)
>>> l = (Y_hat- Y)**2
>>> conv2d.zero_grad()
>>> l.sum().backward()
>>> conv2d.weight.data[:] -= 3e-2 * conv2d.weight.grad
>>> if (i + 1)%2 == 0:
>>> print(f'batch {i+1}, loss {l.sum():.3f}')
>batch 2, loss 3.821
batch 4, loss 1.196
batch 6, loss 0.428
batch 8, loss 0.165
batch 10, loss 0.066# 查看训练结果
>>>conv2d.weight.data
>tensor([[[[ 1.0198, -0.9673]]]])
二、 二维卷积层的填充和步幅
卷积会使得图像的大小逐渐减小,一个HW大小的图像,使用kk的卷积核,输出大小会降低为 (H - K + 1)( W - K + 1)。这会限制掉模型可以构建的最大深度。
填充是为了解决这个问题而出现的。填充就是在图像的四周加入额外的行和列,行列填充 P 行/列时,输出大小就变成了(H - K + P + 1)( W - K + P + 1)。
一般来说,使用填充是为了保持输入输出大小相同,所以,一般P的取值为 P = K - 1。
步幅是指卷积核在图像上滑动的步长,合理使用步长可以快速调整图像是尺寸。一般设置为2,将图像尺寸缩小一半。
import torch
from torch import nn# 定义函数,查看卷积输出尺寸
def comp_conv2d(conv2d, x):x = x.reshape((1,1) + x.shape)Y = conv2d(x)return Y.reshape(Y.shape[2:])# 定义卷积层,核 3*3,填充为1*1,输出尺寸不变
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
x = torch.rand(size=(8, 8))
comp_conv2d(conv2d, x).shape
output: torch.Size([8, 8])# 定义卷积层,核 5*3,填充为2*1,输出尺寸不变
conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1))
x = torch.rand(size=(8, 8))x = torch.rand(size=(8, 8))
comp_conv2d(conv2d, x).shape
output: torch.Size([8, 8])# 定义卷积层,核 3*3,填充为1*1,步幅为1,输出尺寸减半
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
x = torch.rand(size=(8, 8))
comp_conv2d(conv2d, x).shape
output: torch.Size([4, 4])
PyTorch构建卷积层相关推荐
- 使用PyTorch构建卷积GAN源码(详细步骤讲解+注释版) 02人脸图片生成 上
阅读提示:本篇文章的代码为在普通GAN代码上实现人脸图片生成的修改,文章内容仅包含修改内容,全部代码讲解需结合下面的文章阅读. 相关资料链接为:使用PyTorch构建GAN生成对抗 本次训练代码使用了 ...
- pytorch基于卷积层通道剪枝的方法
pytorch基于卷积层通道剪枝的方法 原文:https://blog.csdn.net/yyqq7226741/article/details/78301231 本文基于文章:Pruning Con ...
- 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 ...
- 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: 一.代码法: 改变的AlexNet网络结构: 输入维度为 ( ...
- 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. ...
- pytorch实现卷积层和BN层融合
批归一化 数据的规范化也即(x−mean(x)/var(x))(x-mean(x)/var(x))(x−mean(x)/var(x)) 可以将数据的不同特征规范到均值为0,方差相同的标准正态分布,这就 ...
- PyTorch之—卷积层、激活层、BN
文章目录 一.卷积层 二.池化层 三.归一化(BN) 一.卷积层 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, strid ...
- 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. ...
- Educoder 机器学习 神经网络 第四关:使用pytorch搭建卷积神经网络识别手写数字
任务描述 相关知识 卷积神经网络 为什么使用卷积神经网络 卷积 池化 全连接网络 卷积神经网络大致结构 pytorch构建卷积神经网络项目流程 数据集介绍与加载数据 构建模型 训练模型 保存模型 加载 ...
最新文章
- 美多商城之用户中心(用户基本信息)
- php处理html5文件上传代码,HTML5中文件上传的代码
- DataGrid控件读取具体某行某列的值、获取总列数
- 【UIKit】UILabel使用
- mplayer最全的命令
- Azure虚拟机网站部署 防火墙设置
- Arch Linux 安装总结
- Redis-6.2.5 安装 Linux环境(单机)
- Sqli-labs less 53
- Transformer靠什么得以闯入CV界秒杀CNN?
- Firefox改变查看页面源代码的程序
- 用VB轻松调用其他程序
- OWOD:开放世界目标检测,更贴近现实的检测场景 | CVPR 2021 Oral
- 关于docker容器启动后,浏览器无法正常访问相关问题——docker 宿主机与容器不通
- ios 设置导航栏背景色
- 免费福利 Unity3D 项目资源分享链接(消消乐、斗地主、AR等)
- 图片哈希概述(image hash)
- Map接口总结与HashMap源码分析
- easyExcel导出excel文件并打包成zip压缩包下载
- android listview嵌套progreesbar更新进度 ftp