Pytorch 3D卷积

3D卷积核相比于2D卷积核引入了时间尺度，并且在宽、高、深度（不是单张图像的通道数，这个深度可以理解为帧间）方向上进行滑窗。
nn.Conv3D(in_channels，out_channels，kernel_size=(FD,FH,FW)，stride，padding)
在Pytorch中，输入数据的维数可以表示为（N,C,D,H,W），其中：N为batch_size，C为输入的通道数，D为深度（D这个维度上含有时序信息），H和W分别是输入图像的高和宽。3维卷积核的维数可以表示为（Cout,C,FD,FH,FW），其中：Cout为输出通道数，（FD,FH,FW）为3维滤波器的尺寸。特别的FD为深度方向的滤波器尺寸，它所关联的是时序信息，FD越大表示在一次滤波过程中考虑到的时序信息越长；FD越小表示在一次滤波过程中考虑到的时序信息越短。输出数据的维数为（N,Cout,Dout,Hout,Wout）
import torch
import torch.nn as nnx=torch.randn(5,3,10,224,224)
conv = nn.Conv3d(3, 64, kernel_size=(4,3,3), stride=1, padding=1)
print(conv.weight.size())#(64,3,4,3,3)
output=conv(x)
print(output.size())#(5,64,9,224,224)
output的结果为什么是9，是通过那个公式算出来的

10-4+2+1 = 9

Pytorch 3D卷积相关推荐

基于pytorch简单实现稀疏3d卷积（SECOND）
卷积计算是深度学习模型的常见算子,在3D项目中,比如点云分割,由于点云数据是稀疏的,使用常规的卷积计算,将会加大卷积计算时间,不利于模型推理加速.由此SECOND网络提出了稀疏卷积的概念. 稀疏卷积的 ...
用 Pytorch 理解卷积网络
点击上方"视学算法",选择"星标"公众号重磅干货,第一时间送达原标题 | CONVOLUTIONAL NEURAL NETWORKS EXPLAINED: ...
时序图如何表现分支_【Video Recognition】在视频分类任务中如何高效使用3D卷积...
这是我发布的第1篇文章,在这个专栏里,我会持续写一些最近看的文章,希望能够与大家有所交流. 知乎对Markdown不是非常支持,排版上总是不够漂亮,可以访问我的简书主页阅读对应的文章. 欢迎访问我的知 ...
【深度学习】非常详细 | 用 Pytorch 理解卷积网络
在当今时代,机器在理解和识别图像中的特征和目标方面已经成功实现了99%的精度.我们每天都会看到这种情况-智能手机可以识别相机中的面部:使用Google图片搜索特定照片的能力:从条形码或书籍中扫描文本. ...
3D卷积的GEMM+IM2COL实现
由于pytorch官方的API torch.nn.unfold仅支持二维图像(四维输入张量)的im2col操作,因此,使用GEMM+IM2COL来高效的计算3D卷积并非易事,经过搜索,找到了githu ...
多通道和单通道3D卷积及其运算过程详解
多通道和单通道3D卷积过程详解前言 3D卷积作用 Pytorch中对应函数参数详解单通道3D卷积详解多通道3D卷积前言大家对1D卷积的介绍以及2D卷积中单通道和多通道的介绍已经十分完备了,我 ...
一文教你搞懂2D卷积和3D卷积
前言本人最近在搞毕设时发现自己一直会搞混2D卷积和3D卷积,于是在网上查阅了大量资料,终于明白了其中的原理.希望刷到这篇博客的小伙伴能够停下来静心阅读10分钟,相信你读完之后一定会有所收获. ...
pytorch之卷积模块、池化、激活函数（可视化）
pytorch之卷积模块卷积卷积在 pytorch 中有两种方式,一种是 torch.nn.Conv2d(),一种是torch.nn.functional.conv2d(),这两种形式本质都是使用 ...
「模型解读」从2D卷积到3D卷积，都有什么不一样
https://www.toutiao.com/a6711317983035130371/ 接着模型解读系列,在中国科幻作家刘慈欣的科幻小说<三体Ⅲ·死神永生>中,首次提出了降维打击这个概 ...

Pytorch 3D卷积

Pytorch 3D卷积相关推荐

最新文章

热门文章