2024年【深度学习】：《PyTorch入门到项目实战(8)，那些进了大厂的程序员面试前都做了哪些准备

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

在卷积神经网络中，有多个输出通道是至关重要的。在经典的神经网络架构中(例如LeNet,AlexNet,VGG等)，随着神经网络层数的加深，我们常会增加输出通道的维数，通过减少空间分辨率以获得更大的通道深度。直观地说，我们可以将每个通道看作是对不同特征的反应。如下图所示：

我们让这个6×6×3的图像和两个3×3×3的过滤器卷积。第一个是黄色卷积核，假设是一个垂直边界检测器。第二个卷积核是橘色，假设是一个水平边界检测器。这样就得到4×4×2的输出。根据这个我们可以发现，假设

c

0

c_0

c0​表示输入通道数，

c

1

c_1

c1​表示输出通道数，则有n×n×

c

0

c_0

c0​和一个

c

1

×

f

×

f

×

c

0

c_1\times f\times f\times c_0

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

×

3

3\times3

3×3的数据，卷积核是

2

×

2

×

2

2\times2\times2

2×2×2，得到的结果为

2

×

2

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

[外链图片转存中…(img-Yd57UWy1-1715580284185)]
[外链图片转存中…(img-k6mlHfec-1715580284186)]

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