一、1d/2d/3d卷积

二、卷积–nn.Conv2d()

1. nn.Conv2d()

2. AlexNet:分组卷积

3.尺寸计算

4.三维卷积核实现二维卷积

三、转置卷积–nn.ConvTranspose

1.为何称为转置卷积

2.nn.ConvTranspose2d()

3.尺寸计算

任务简介：

学习网络模型中采用的神经网络层，包括卷积层，池化层，全连接层和激活函数层，学会如何区分二维卷积和三维卷积；

详细说明：

本节学习卷积神经网络中最重要的卷积层，了解卷积操作的过程与步骤，同时学会区分一维/二维/三维卷积，最后学习转置卷积（Transpose Convolution）的由来以及实现方法；

一、1d/2d/3d卷积

卷积维度：一般情况下，卷积核在几个维度上滑动，就是几维卷积。

一维卷积：
二维卷积：
三维卷积：

二、卷积–nn.Conv2d()

1. nn.Conv2d()

padding：保持输入输出的图像尺寸不变

dilation：常用于图像分割

groups：常用于模型轻量化

2. AlexNet:分组卷积

3.尺寸计算

代码：

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
import torch.nn as nn
from PIL import Image
from torchvision import transforms
from matplotlib import pyplot as plt
path_tools = os.path.abspath(os.path.join(BASE_DIR, "..", "..", "tools", "common_tools.py"))
assert os.path.exists(path_tools), "{}不存在，请将common_tools.py文件放到 {}".format(path_tools, os.path.dirname(path_tools))import sys
hello_pytorch_DIR = os.path.abspath(os.path.dirname(__file__)+os.path.sep+".."+os.path.sep+"..")
sys.path.append(hello_pytorch_DIR)from tools.common_tools import transform_invert, set_seedset_seed(2)  # 设置随机种子# ================================= load img ==================================
path_img = os.path.join(os.path.dirname(os.path.abspath(__file__)), "lena.png")
img = Image.open(path_img).convert('RGB')  # 0~255# convert to tensor
img_transform = transforms.Compose([transforms.ToTensor()])
img_tensor = img_transform(img)
img_tensor.unsqueeze_(dim=0)    # C*H*W to B*C*H*W# ================================= create convolution layer ==================================# ================ 2d
flag = 1
# flag = 0
if flag:conv_layer = nn.Conv2d(3, 1, 3)   # input:(i, o, size) weights:(o, i , h, w)nn.init.xavier_normal_(conv_layer.weight.data)# calculationimg_conv = conv_layer(img_tensor)# ================ transposed
# flag = 1
flag = 0
if flag:conv_layer = nn.ConvTranspose2d(3, 1, 3, stride=2)   # input:(i, o, size)nn.init.xavier_normal_(conv_layer.weight.data)# calculationimg_conv = conv_layer(img_tensor)# ================================= visualization ==================================
print("卷积前尺寸:{}\n卷积后尺寸:{}".format(img_tensor.shape, img_conv.shape))
img_conv = transform_invert(img_conv[0, 0:1, ...], img_transform)
img_raw = transform_invert(img_tensor.squeeze(), img_transform)
plt.subplot(122).imshow(img_conv, cmap='gray')
plt.subplot(121).imshow(img_raw)
plt.show()

输出：

卷积前尺寸:torch.Size([1, 3, 512, 512])
卷积后尺寸:torch.Size([1, 1, 510, 510])

随机种子为1时：

随机种子为2时：

随机种子为3时：

4.三维卷积核实现二维卷积

三、转置卷积–nn.ConvTranspose

卷积核：K4*16。16：卷积核3*3周围补0即为16；4：输出图像大小。

1.为何称为转置卷积

卷积核：K16*4。4：卷积核3*3，但最多只有4个权值与图像相乘，故采用剔除的方法从9个权值中挑选对应的4个，16：输出图像的大小。

仅仅是形状转置，但权值不同，即正常卷积和转置卷积是不可逆的。

2.nn.ConvTranspose2d()

3.尺寸计算

代码：

# ================ transposed
flag = 1
# flag = 0
if flag:conv_layer = nn.ConvTranspose2d(3, 1, 3, stride=2)   # input:(i, o, size)nn.init.xavier_normal_(conv_layer.weight.data)# calculationimg_conv = conv_layer(img_tensor)

输出：

卷积前尺寸:torch.Size([1, 3, 512, 512])
卷积后尺寸:torch.Size([1, 1, 1025, 1025])

【PyTorch】3.3 nn网络层-卷积层相关推荐

pytorch —— nn网络层 - 卷积层
目录 1.1d/2d/3d卷积 2.卷积-nn.Conv1d() 2.1 Conv1d的参数说明 2.2 例子说明 3.卷积-nn.Conv2d() 3.1 深入了解卷积层的参数 4.转置卷积-nn. ...
pytroch学习笔记六：nn网络层——卷积层
通过前面两节的学习,已经知道如何搭建一个网络模型以及搭建模型一个非常重要的类nn.Module和模型容器Containers.搭建网络模型有两个基本的步骤:建立子模块和拼接子模块.建立的子模块就包括卷 ...
简单粗暴PyTorch之nn网络层(卷积、池化、线性、激活)
nn网络层一.卷积层 1.1 卷积概念 1.2 nn.Conv2d 1.3 转置卷积二.池化层 Pooling Layer 2.1 最大池化nn.MaxPool2d 2.2 平均池化nn.AvgP ...
Pytorch基础（四）—— 卷积层
一.概念卷积从数学的角度讲是一种矩阵的运算方法.我们可以用一个卷积核对一个矩阵进行卷积运算,具体运算过程图示可以见pytorch官网. 卷积运算按输入数据的通道数可分为单通道和多通道两种. 单通道是 ...
Pytorch系列之——nn网络层
卷积层 1d/2d/3d卷积卷积-nn.Conv2d() 转置卷积-nn.ConvTranspose 1d/2d/3d Convolution 卷积运算:卷积核在输入信号(图像)上滑动,相应位置上进 ...
Pytorch数据使用列表的卷积层时报错及解决-RuntimeError: Input type (torch.cuda.HalfTensor) and weight type (torch.Floa
文章首发及后续更新:https://mwhls.top/3737.html,无图/无目录/格式错误/更多相关请至首发页查看. 新的更新内容请到mwhls.top查看. 欢迎提出任何疑问及批评,非常感谢 ...
11nn网络层-卷积层
一.1d/2d/3d卷积卷积运算: 卷积核在输入信号(图像)上滑动,相应位置上进行乘加卷积核: 又称为滤波器,过滤器,可认为是某种模式,某种特征卷积过程类似于用一个模版去图像上寻找与它相似的区域 ...
神经网络卷积层与池化层
学习了李沐--<动手学深度学习>的视频课程,在此对知识点进行整理以及记录动手实践中遇到的一些问题和想法. 首先,我们导入可能用到的包 import torch from torch imp ...
Pytorch 学习（6）：Pytorch中的torch.nn Convolution Layers 卷积层参数初始化
Pytorch 学习(6):Pytorch中的torch.nn Convolution Layers 卷积层参数初始化 class Conv1d(_ConvNd):......def __init ...

【PyTorch】3.3 nn网络层-卷积层

一、1d/2d/3d卷积

二、卷积–nn.Conv2d()

1. nn.Conv2d()

2. AlexNet:分组卷积

3.尺寸计算

4.三维卷积核实现二维卷积

三、转置卷积–nn.ConvTranspose

1.为何称为转置卷积

2.nn.ConvTranspose2d()

3.尺寸计算

【PyTorch】3.3 nn网络层-卷积层相关推荐

最新文章

热门文章