苏州网站设计,移动app开发定制,广西网站建设在线,c2c平台网站建设① 卷积核不停的在原图上进行滑动#xff0c;对应元素相乘再相加。
② 下图为每次滑动移动1格#xff0c;然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据#xff0c;如下图右所示。 import torch
import torch.nn.functional as Finput torch.tensor([[1, 2…① 卷积核不停的在原图上进行滑动对应元素相乘再相加。
② 下图为每次滑动移动1格然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据如下图右所示。 import torch
import torch.nn.functional as Finput torch.tensor([[1, 2, 0, 3, 1],[0, 1, 2, 3, 1],[1, 2, 1, 0, 0],[5, 2, 3, 1, 1],[2, 1, 0, 1, 1]])kernel torch.tensor([[1, 2, 1],[0, 1, 0],[2, 1, 0]])print(input.shape)
print(kernel.shape)
input torch.reshape(input, (1,1,5,5))
kernel torch.reshape(kernel, (1,1,3,3))
print(input.shape)
print(kernel.shape)output F.conv2d(input, kernel, stride1)
print(output)
结果 效果 import torch
import torch.nn.functional as Finput torch.tensor([[1, 2, 0, 3, 1],[0, 1, 2, 3, 1],[1, 2, 1, 0, 0],[5, 2, 3, 1, 1],[2, 1, 0, 1, 1]])kernel torch.tensor([[1, 2, 1],[0, 1, 0],[2, 1, 0]])print(input.shape)
print(kernel.shape)
input torch.reshape(input, (1,1,5,5))
kernel torch.reshape(kernel, (1,1,3,3))
print(input.shape)
print(kernel.shape)output2 F.conv2d(input, kernel, stride2) # 步伐为2
print(output2)
结果 import torch
import torch.nn.functional as Finput torch.tensor([[1, 2, 0, 3, 1],[0, 1, 2, 3, 1],[1, 2, 1, 0, 0],[5, 2, 3, 1, 1],[2, 1, 0, 1, 1]])kernel torch.tensor([[1, 2, 1],[0, 1, 0],[2, 1, 0]])print(input.shape)
print(kernel.shape)
input torch.reshape(input, (1,1,5,5))
kernel torch.reshape(kernel, (1,1,3,3))
print(input.shape)
print(kernel.shape)output3 F.conv2d(input, kernel, stride1, padding1) # 周围只填充一层
print(output3)
效果
