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。
2.stride:为卷积核在input中的移动步伐大小
3.padding:为是否进行填充
4.padding_mode:填充的模式为多少，一般默认为0
5.in_channels:输入图片的size
6.out_channel: 输出图像的size

import torch
import torchvision
import torch.nn as nn
from torch.nn import Conv2d
from torch.utils.data import DataLoaderdatasets=torchvision.datasets.CIFAR10(root='./datasets',train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader=DataLoader(dataset=datasets,batch_size=64)class Yang(nn.Module):def __init__(self):super(Yang, self).__init__()self.conv2d=Conv2d(in_channels=3, out_channels=6,kernel_size=3,stride=1,padding=0)def forward(self,x):x=self.conv1(x)return x
yang=Yang()
print(yang)

这里可以看到结果中kernel_size为(3，3)就是指3行3列的正方形，而在定义的时候只需要设定为3即可，stride(1,1)就是指行方向移动步伐为1，列方向移动步伐为1.

pytorch中卷积层的使用方法相关推荐

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 ...
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 ( ...
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 ...
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, ...
CNN中卷积层、池化层和全连接层分别有什么作用和区别？
卷积层:提取特征."不全连接,参数共享"的特点大大降低了网络参数,保证了网络的稀疏性,防止过拟合.之所以可以"参数共享",是因为样本存在局部相关的特性. 池化层 ...
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 ...
深入学习卷积神经网络中卷积层和池化层的意义（转）
为什么要使用卷积呢? 在传统的神经网络中,比如多层感知机(MLP),其输入通常是一个特征向量:需要人工设计特征,然后将这些特征计算的值组成特征向量,在过去几十年的经验来看,人工找到的特征并不是怎么好用 ...
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. ...
CNN中卷积层和池化的作用和理解
承接上文对CNN的介绍[学习笔记P20-CNN],下面来看看一些细节梳理: CNN框架: 池化层(pooling layer)也叫做子采样层(subsampling layer),其作用是进行特征选择 ...

pytorch中卷积层的使用方法

1. 官方文档解释

pytorch中卷积层的使用方法相关推荐

最新文章

热门文章