最新【深度学习】：《PyTorch入门到项目实战》卷积神经网络2-3(2)，2024年最新binder机制原理面试-CSDN博客

本文链接：https://blog.csdn.net/2401_84181145/article/details/138758645

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

c1×f×f×c0的卷积核进行处理，得到一个

(

n

−

f

1

×

c

1

)

×

(

n

−

f

1

×

c

1

)

(n-f+1\times c_1)\times (n-f+1 \times c_1)

(n−f+1×c1)×(n−f+1×c1)的输出。

3.代码实现

3.1 多通道输入实现

# 导入相关库
import torch
from d2l import torch as d2l

def corr2d\_multi\_in(X, K):
    # 先遍历“X”和“K”的第0个维度（通道维度），再把它们加在一起。
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))

我们测试一下结果

X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],               [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])
X.shape,K.shape

(torch.Size([2, 3, 3]), torch.Size([2, 2, 2]))

可以看出，输入是一个2通道

3\times3

3×3的数据，卷积核是

2\times2\times2

2×2×2，得到的结果为

2\times2

2×2。

corr2d_multi_in(X, K)

tensor([[ 56.,  72.],
        [104., 120.]])

3.2 多通道输出实现

定义多通道输出函数

def corr2d\_multi\_in\_out(X, K):
    # 迭代“K”的第0个维度，每次都对输入“X”执行互相关运算。
    # 最后将所有结果都叠加在一起，注意，这里我们只对K进行遍历
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)

使用stack将卷积核堆叠

K = torch.stack((K, K + 1, K + 2), 0)
K.shape

torch.Size([3, 2, 2, 2])

可以看出这是一个3个输出通道，2个输入通道的2×2卷积核,因此得到的结果为

3\times2\times2

3×2×2。

corr2d_multi_in_out(X, K)

tensor([[[ 56.,  72.],
         [104., 120.]],

        [[ 76., 100.],
         [148., 172.]],

        [[ 96., 128.],
         [192., 224.]]])

🔎本章的介绍到此介绍，如果文章对你有帮助，请多多点赞、收藏、评论、订阅支持！！【深度学习】：《PyTorch入门到项目实战》

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

3Gh-1715502024419)]
[外链图片转存中…(img-EXvAs0zk-1715502024420)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取