创新的天津网站建设,建筑业企业所得税2%,汕头市网络推广报价,河南企业网站定制内容列表
一#xff0c;前提 二#xff0c;卷积层原理 1.概念 2.作用 3. 卷积过程 三#xff0c;nn.conv1d 1#xff0c;函数定义#xff1a; 2, 参数说明: 3,代码: 4, 分析计算过程 四#xff0c;nn.conv2d 1, 函数定义 2, 参数#xff1a; 3, 代码 4, 分析计算过程
…内容列表
一前提 二卷积层原理 1.概念 2.作用 3. 卷积过程 三nn.conv1d 1函数定义 2, 参数说明: 3,代码: 4, 分析计算过程 四nn.conv2d 1, 函数定义 2, 参数 3, 代码 4, 分析计算过程
一前提
在开始前要使用pytorch实现以下内容需要掌握tensor和的用法
二卷积层原理
1.概念
卷积层是用一个固定大小的矩形区去席卷原始数据将原始数据分成一个个和卷积核大小相同的小块然后将这些小块和卷积核相乘输出一个卷积值注意这里是一个单独的值不再是矩阵了。
2.作用
特征提取
卷积的本质就是用卷积核的参数来提取原始数据的特征通过矩阵点乘的运算提取出和卷积核特征一致的值如果卷积层有多个卷积核则神经网络会自动学习卷积核的参数值使得每个卷积核代表一个特征。
3. 卷积过程 三nn.conv1d
这里我们拿最常用的conv1d举例说明卷积过程的计算。
conv1d是一维卷积它和conv2d的区别在于只对宽度进行卷积对高度不卷积。
1函数定义
torch.nn.functional.conv1d(input, weight, biasNone, stride1, padding0, dilation1, groups1)2, 参数说明:
**input**输入的Tensor数据格式为(batch,channels,W)三维数组第一维度是样本数量第二维度是通道数或者记录数。三维度是宽度。
**weight**卷积核权重也就是卷积核本身。是一个三维数组(out_channels, in_channels/groups, kW)。out_channels是卷积核输出层的神经元个数也就是这层有多少个卷积核in_channels是输入通道数kW是卷积核的宽度。
**bias**位移参数可选项一般也不用管。
**stride**滑动窗口默认为1指每次卷积对原数据滑动1个单元格。
**padding**是否对输入数据填充0。Padding可以将输入数据的区域改造成是卷积核大小的整数倍这样对不满足卷积核大小的部分数据就不会忽略了。通过padding参数指定填充区域的高度和宽度默认0就是填充区域为0不填充的意思
**dilation**卷积核之间的空格默认1。
**groups**将输入数据分组通常不用管这个参数没有太大意义。
3,代码:
import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as Farange(16)
x Variable(torch.Tensor(a))a: range(0, 16)
x: tensor([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10., 11., 12., 13.,14., 15.])
xx.view(1,1,16)x variable: tensor([[[ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10., 11., 12., 13., 14., 15.]]])
btorch.ones(3)
b[0]0.1
b[1]0.2
b[2]0.3
weights Variable(b)
weightsweights.view(1,1,3)weights: tensor([[[0.1000, 0.2000, 0.3000]]])
yF.conv1d(x, weights, padding0)y: tensor([[[0.8000, 1.4000, 2.0000, 2.6000, 3.2000, 3.8000, 4.4000, 5.0000, 5.6000, 6.2000, 6.8000, 7.4000, 8.0000, 8.6000]]])上面出现了 x.view(1,1,16) view的用法参考我之前的博客 Pytorch-view的用法 上面出现了 Variable(torch.Tensor(a)) Tensor和Variable的用法参考我之前的博客 pytorch入门 Variable 用法 PyTorch Tensor的初始化和基本操作
4, 分析计算过程
1 原始数据大小是0-15的一共16个数字卷积核宽度是3向量是[0.1,0.2,0.3]。 我们看第一个卷积是对x[0:3]共3个值[0,1,2]进行卷积公式如下
00.110.22*0.30.8
2 对第二个目标卷积是x[1:4]共3个值[1,2,3]进行卷积公式如下
10.120.23*0.31.4
剩下的就以此类推
四nn.conv2d
1, 函数定义
nn.Conv2d(self, in_channels, out_channels, kernel_size, stride1, padding0, dilation1, groups1, biasTrue))2, 参数
in_channel: 输入数据的通道数例RGB图片通道数为3
out_channel: 输出数据的通道数这个根据模型调整 kennel_size: 卷积核大小可以是int或tuplekennel_size2,意味着卷积大小(2,2) kennel_size2,3意味着卷积大小23即非正方形卷积 stride步长默认为1与kennel_size类似stride2,意味着步长上下左右扫描皆为2 stride2,3左右扫描步长为2上下为3 padding 零填充
3, 代码
import torch
import torch.nn as nn
from torch.autograd import Variabler torch.randn(5, 8, 10, 5) # batch, channel , height , width
print(r.shape)r2 nn.Conv2d(8, 14, (3, 2), (2,1)) # in_channel, out_channel ,kennel_size,stride
print(r2)r3 r2(r)
print(r3.shape)
torch.Size([5, 8, 10, 5])
Conv2d(8, 14, kernel_size(3, 2), stride(2, 1))
torch.Size([5, 14, 4, 4])4, 分析计算过程
卷积公式
h (h - kennel_size 2padding) / stride 1 w (w - kennel_size 2padding) / stride 1
r ([5, 8, 10, 5]),其中h10,w5,对于卷积核长分别是 h:3w:2 对于步长分别是h2w:1padding默认0
h (10 - 3 20)/ 2 1 7/2 1 31 4 w (5 - 2 20)/ 1 1 3/1 1 3/11 4
batch 5, out_channel 14
故 y ([5, 14, 4, 4])
参考
