动手学深度学习V2.0(Pytorch)——21. 卷积层里的多输入多输出通道

已于 2022-01-20 09:28:06 修改
阅读量620 收藏
点赞数
分类专栏： 动手学深度学习pytorch 文章标签： 深度学习 pytorch 计算机视觉
于 2021-12-22 11:01:12 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/Castlehe/article/details/121844745
版权
本文介绍了卷积层中的多输入多输出通道概念，包括多输入/输出通道、多输入卷积和多输出卷积的工作原理。通过公式和示例解释了如何处理多通道输入和输出，并探讨了1X1卷积层的作用。内容还涵盖了多输入输出的作用、卷积计算复杂度以及与通道动态变化、性能、卷积核差异等相关问题的讨论。
摘要由CSDN通过智能技术生成

文章目录

P1 卷积层里的多输入多输出通道

https://www.bilibili.com/video/BV1MB4y1F7of
在这里插入图片描述

  • 这部分讲卷积神经网络另一个常见的超参数——通道数，这个是大家通常会比较仔细去设置的一个参数
  • 主要就是输入和输出通道（之前在上一节填充和步幅的时候，调用代码默认都给的是1）

1.1 多输入/输出通道

在这里插入图片描述

  • 对于图像来说，一般用的都是彩色图，彩色图一般会有三个通道。PNG和BMP格式的则会有四个通道（包含一个alpha透明度的通道）
  • 像之前的FASHION-MNIST数据集，其实是灰度图，只有黑白灰（灰度）256种颜
了解本专栏 订阅专栏 解锁全文 超级会员免费看
吨吨不打野
关注
专栏目录
订阅专栏
动手学深度学习V2.0(Pytorch)——20. 卷积层里的填充和步幅
Castlehe的博客
12-13 2336
P1 填充和步幅 https://www.bilibili.com/video/BV1Th411U7UN
深度学习+pytorch自学笔记（八）——二维卷积层、填充和步幅、多输入和多输出通道、池化层和卷积神经网络（LeNet）
weixin_45719141的博客
08-13 2094
参考书籍《动手学深度学习(pytorch版），参考网址为： https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter05_CNN/5.1_conv-layer https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html 请大家也多多支持这两个很好用的平台~ 大部分内容为书中内容，也有部分自己实验和添加的内容，如涉及侵权，会进行删除。 一、 二维卷积层 卷积神经网络（convolut
Pytorch 卷积核填充和步幅、多输入多输出通道、池化层
负负得正的博客
04-22 2033
Pytorch 卷积层里的填充和步幅 0. 环境介绍 环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的 动手学深度学习 网站和 视频讲解 小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。 1. 填充（padding）和步幅（stride） 注：CNN 可视化网站：https://poloclub.github.io/cnn-explainer/ 1.1 填充（padding） 假设以下情景： 有时，在应用了连续的卷积之后，我们最终得到的输出远小于输入大小。
2D 3D 多通道卷积及pytorch实现
myyzqt的专栏
10-12 4502
很多人容易混淆2D卷积和3D卷积的概念，把多通道的2D卷积当成3D卷积，本文展示了一种直观理解2D卷积和3D卷积的方式。 2D卷积 单通道 首先了解什么是卷积核，卷积核(filter)是由一组参数构成的张量，卷积核相当于权值，图像相当于输入量，卷积的操作就是根据卷积核对这些输入量进行加权求和。我们通常用卷积来提取图像的特征。 直观理解如下：下图使用的是 3x3卷积核(height x width,简写H × W H \times WH×W) 的卷积，padding为1(周围的虚线部分，卷积时为了使卷积后
【动手学深度学习PyTorch版】14 卷积层里的多输入多输出通道
最新发布
水w的博客
10-26 3054
卷积层里的多输入多输出通道
【深度学习笔记】卷积的输入输出的通道、维度或尺寸变化过程
热门推荐
学习带来的快乐最持久~
07-17 4万+
转载自 CNN中卷积层的计算细节 卷积层尺寸的计算原理 输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数 输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。 权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数） 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系 卷积核的输入通道数（in depth）由输入矩阵的通道数所决
动手学深度学习V2.0(Pytorch)——13.丢弃法
Castlehe的博客
10-29 371
丢弃法，dropout https://www.bilibili.com/video/BV1Y5411c7aY?p=1 1. 课件讲解 对人来说，给你看一只猫的正面，反面，侧面，闭眼，睁眼各种状态的图片，都可以认出来这是一只猫。也就是说，我们希望模型对输入数据具有比较好的鲁棒性（robust to noises） 使用有噪音的数据等价于Tikhonov正则 ...
动手学深度学习V2.0(Pytorch)——23. LeNet（mnist）
Castlehe的博客
01-15 510
P1 经典卷积神经网络LeNet https://www.bilibili.com/video/BV1t44y1r7ct P2 代码 https://www.bilibili.com/video/BV1t44y1r7ct?p=2 P3 Q&A https://www.bilibili.com/video/BV1t44y1r7ct?p=3
动手学深度学习V2.0(Pytorch)——25. 使用块的网络 VGG
Castlehe的博客
01-18 528
P1 讲解 https://www.bilibili.com/video/BV1Ao4y117Pd P2 代码实现 https://www.bilibili.com/video/BV1Ao4y117Pd?p=2 P3 Q&A https://www.bilibili.com/video/BV1Ao4y117Pd?p=3
动手学深度学习V2.0(Pytorch)——19.卷积
Castlehe的博客
12-09 2355
P1 从全连接层到卷积 https://www.bilibili.com/video/BV1L64y1m7Nh 假设有一个还不错的手机，拍出来一张图片（比如iphone11的后置摄像头，就是双摄：1200 万像素广角及超广角，来自iphone11技术规格）。那么一张照片至少12M（Million 百万），如果是RGB图的话就是36M？？？ 如果使用一个有100个神经元的单隐藏层的MLP，考虑一下，y=wx+by=wx+by=wx+b，这里x=36M∗1x=36M*1x=36M∗1，则w=100∗36M=
相关-21. 卷积的示意图（普通卷积，多通道卷积等）及Featur Map可视化
Castlehe的博客
12-14 5663
0. 普通卷积动图 图源自：Types of Convolution(Translation) 图自：Intuitively Understanding Convolutions for Deep Learning 图自：github-vdumoulin/conv_arithmetic 这里还有很多其他类似的图，上图是padding取1（kernel-2p=1），步幅取偶数（取了2）的情况 图自：Convolutional layer 图自：CNN Image Classification
相关-37. 释放GPU显存
Castlehe的博客
03-01 4768
文章目录1. 起因2. 常规解决 1. 起因 RuntimeError: CUDA out of memory. Tried to allocate 144.00 MiB (GPU 0; 2.00 GiB total capacity; 1.29 GiB already allocated; 79.00 MiB free; 1.30 GiB reserved in total by PyTorch) 我的机器显存只有4G 如果启动训练后由于代码错误，但是数据和模型已经加载到GPU中。 此时报错后，并不会
相关-28. pytorch中register_parameter()和parameter()
Castlehe的博客
02-06 2100
文章目录1. Parameter()2. register_parameter()3. 二者的区别 1. Parameter() 先看一下官方文档的定义和说明，点击这里 torch.nn.parameter.Parameter(data=None, requires_grad=True) """ Parameter定义的变量，其实也是一种Tensor，但是其会被作为模型的参数（特殊的张量） Parameters是Tensor的子类，当和Module类一起使用时，会有一个特殊的属性 即：当被指派为模型的
相关-22. Opencv-Python图像的几何变换（包括缩放/平移/旋转/仿射变换/透视变化）
Castlehe的博客
01-11 1999
参考： opencv python 图像缩放/图像平移/图像旋转/仿射变换/透视变换 Python实现图像平移、旋转、水平镜像等 小强学Python+OpenCV之－1.4.1平移、旋转、缩放、翻转－之实践 OpenCV Image Translation matplotlib文档：Affine transform of an image(图像仿射变换) matplotlib文档：matplotlib.transforms Image Translation using OpenCV | Python o
相关-26. pytorch中nn.AdaptiveAvgPool2d() 与 nn.AvgPool2d()函数的区别
Castlehe的博客
01-21 1919
1. 文档和示例 在实现NiN的时候，实现GAP使用了nn.AdaptiveAvgPool2d()函数，这里总结一下这两个函数的使用。 1.1 nn.AdaptiveAvgPool2d() nn.AdaptiveAvgPool2d()的帮助文档 nn.AdaptiveAvgPool2d(output_size: Union[int, Tuple[int, ...]]) -> None Applies a 2D adaptive average pooling over an input signal
动手学深度学习V2.0(Pytorch)——40.实战 Kaggle 比赛：狗的品种识别（ImageNet Dogs）
Castlehe的博客
03-07 1886
文章目录P1 代码P3 Q&A P1 代码 视频链接：https://www.bilibili.com/video/BV1j5411T7wx 教材文档：https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-dog.html 代码slides：http://courses.d2l.ai/zh-v2/assets/notebooks/chapter_computer-vision/kaggle-dog.slides.html P3 Q&A htt
动手学深度学习V2.0(Pytorch)——28. 批量归一化
Castlehe的博客
01-27 1868
文章目录P1 课件讲解P2 代码P3 Q&A 论文： Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift https://arxiv.org/abs/1502.03167 P1 课件讲解 https://www.bilibili.com/video/BV1X44y1r77r P2 代码 https://www.bilibili.com/video/BV
动手学深度学习V2.0(Pytorch)——29.2 ResNet为什么能训练出1000层的模型
Castlehe的博客
02-07 1577
文章目录29.2 ResNet为什么能训练出1000层的模型29.2 Q&A 29.2 ResNet为什么能训练出1000层的模型 https://www.bilibili.com/video/BV1554y157E3 这部分没有PPT，所以简单做一些记录和自己绘图 29.2 Q&A https://www.bilibili.com/video/BV1554y157E3?p=2 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吨吨不打野

解决了问题，觉得还行就给点

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值