Pytorch之卷积层的使用详解
1.简介(torch.nn下的)
卷积层主要使用的有3类，用于处理不同维度的数据
参数Parameters：
in_channels(int)–输入信号的通道
out_channels(int)–卷积产生的通道
kerner_size(intortuple)-卷积核的尺寸
stride(intortuple,optional)-卷积步长
padding(intortuple,optional)-输入的每一条边补充0的层数
dilation(intortuple,`optional``)–卷积核元素之间的间距
groups(int,optional)–从输入通道到输出通道的阻塞连接数
bias(bool,optional)-如果bias=True，添加偏置
classtorch.nn.Conv1d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)
一维卷积层。用于计算ECG等一维数据。
input:(N,C_in,L_in)N为批次，C_in即为in_channels，即一批内输入一维数据个数，L_in是是一维数据基数
output:(N,C_out,L_out)N为批次，C_in即为out_channels，即一批内输出一维数据个数，L_out是一维数据基数
classtorch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)
二维卷积层。用于计算CT断层或MR断层，或二维超声图像，自然图像等二维数据。
self.conv1=nn.Conv2d(#1*28*28->32*28*28 in_channels=1, out_channels=32, kernel_size=5, stride=1, padding=2#padding是需要计算的，padding=（stride-1）/2 )
input:(N,C_in,H_in,W_in)N为批次，C_in即为in_channels，即一批内输入二维数据个数，H_in是二维数据行数，W_in是二维数据的列数
output:(N,C_out,H_out,W_out)N为批次，C_out即为out_channels，即一批内输出二维数据个数，H_out是二维数据行数，W_out是二维数据的列数
con2=nn.Conv2d(1,16,5,1,2) #con2(np.empty([1,1,28,28]))只能接受tensor/variable con2(torch.Tensor(1,1,28,28)) con2(Variable(torch.Tensor(1,1,28,28)))
classtorch.nn.Conv3d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)
三维卷积层。用于计算CT或MR等容积数据，视频数据等三维数据。
input:(N,C_in,D_in,H_in,W_in)
output:(N,C_out,D_out,H_out,W_out)
2.简介(torch.nn.functional下的)
在torch.nn.functional下也有卷积层，但是和torch.nn下的卷积层的区别在于，functional下的是函数，不是实际的卷积层，而是有卷积层功能的卷积层函数，所以它并不会出现在网络的图结构中。
torch.nn.functional.conv1d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
参数：
-input–输入张量的形状(minibatchxin_channelsxiW)
-weight–过滤器的形状(out_channels,in_channels,kW)
-bias–可选偏置的形状(out_channels)
-stride–卷积核的步长，默认为1
>>>filters=autograd.Variable(torch.randn(33,16,3)) >>>inputs=autograd.Variable(torch.randn(20,16,50)) >>>F.conv1d(inputs,filters)
torch.nn.functional.conv2d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
>>>#Withsquarekernelsandequalstride >>>filters=autograd.Variable(torch.randn(8,4,3,3)) >>>inputs=autograd.Variable(torch.randn(1,4,5,5)) >>>F.conv2d(inputs,filters,padding=1)
torch.nn.functional.conv3d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
>>>filters=autograd.Variable(torch.randn(33,16,3,3,3)) >>>inputs=autograd.Variable(torch.randn(20,16,50,10,20)) >>>F.conv3d(inputs,filters)
以上这篇Pytorch之卷积层的使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。