【pytorch卷1】=2= CNN, 卷积函数

Patrick的练习册

已于 2022-01-30 10:59:44 修改

阅读量488

点赞数

分类专栏： DL LJH-pytorch卷1 文章标签： cnn 深度学习 pytorch

于 2022-01-15 17:56:19 首次发布

本文链接：https://blog.csdn.net/Patrick6789/article/details/122512720

版权

DL 同时被 2 个专栏收录

12 篇文章 0 订阅

订阅专栏

LJH-pytorch卷1

11 篇文章 0 订阅

订阅专栏

1. Introduction组建卷积函数

2. 把input，padding，卷积核，卷积函数走一波

1. Introduction组建卷积函数

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1

包括的几个部分

input:输入
weight：卷积核权重
bias：卷积计算时，偏置权重
stride：步长，
padding
dilation：卷积核每个元素之间的间距，默认为1
groups：将输入进行分组操作

2. 把input，padding，卷积核，卷积函数走一波

2.1 input

import torch

input1 = torch.ones([1, 1, 5, 5])
input2 = torch.ones([1,2,5,5])
input3 = torch.ones([1,1,4,4])


print(input1)
print(input2)
print(input3)

【一个batch的图片数量，图像通道数（决定有几个tensor阵），图片高度，图片宽度】

输出。
tensor([[[[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]]]])
tensor([[[[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]],

         [[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]]]])
tensor([[[[1., 1., 1., 1.],
          [1., 1., 1., 1.],
          [1., 1., 1., 1.],
          [1., 1., 1., 1.]]]])

2.2 padding

padding1 = torch.nn.functional.conv2d(input1, torch.ones([1,1,1,1]), stride=1, padding=(1,1))
print(padding1)
padding2 = torch.nn.functional.conv2d(input1, torch.ones([1,1,1,1,]),stride=1, padding=(1,2))
print(padding2)

输出--padding=（行，列）

tensor([[[[0., 0., 0., 0., 0., 0., 0.],
          [0., 1., 1., 1., 1., 1., 0.],
          [0., 1., 1., 1., 1., 1., 0.],
          [0., 1., 1., 1., 1., 1., 0.],
          [0., 1., 1., 1., 1., 1., 0.],
          [0., 1., 1., 1., 1., 1., 0.],
          [0., 0., 0., 0., 0., 0., 0.]]]])
tensor([[[[0., 0., 0., 0., 0., 0., 0., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0.]]]])

2.3 卷积核

filters1 = torch.tensor([-1.0,0,0,-1]).reshape([1,1,2,2])
filters2 = torch.tensor([-1.0, 0, 0, -1, -1,0,0,-1]).reshape([2,1,2,2])
filters3 = torch.tensor([-1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1]).reshape([3,1,2,2])
filters4 = torch.tensor([-1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1, -1.0,0,0,-1]).reshape([2,2,2,2])
filters5 = torch.tensor([-1.0,0,0,-1, -1.0, 0,0,-1]).reshape([1,2,2,2])

print(filters1)
print(filters2)
print(filters3)
print(filters4)
print(filters5)

后面reshape决定卷积核的形状【卷积核个数，图像通道数（几个阵），卷积核高度，卷积核宽度】

输出。

tensor([[[[-1.,  0.],
          [ 0., -1.]]]])
tensor([[[[-1.,  0.],
          [ 0., -1.]]],


        [[[-1.,  0.],
          [ 0., -1.]]]])
tensor([[[[-1.,  0.],
          [ 0., -1.]]],


        [[[-1.,  0.],
          [ 0., -1.]]],


        [[[-1.,  0.],
          [ 0., -1.]]]])
tensor([[[[-1.,  0.],
          [ 0., -1.]],

         [[-1.,  0.],
          [ 0., -1.]]],


        [[[-1.,  0.],
          [ 0., -1.]],

         [[-1.,  0.],
          [ 0., -1.]]]])
tensor([[[[-1.,  0.],
          [ 0., -1.]],

         [[-1.,  0.],
          [ 0., -1.]]]])

3. 卷积函数走一走

op1 = torch.nn.functional.conv2d(input1,filters1,stride=2,padding=1)
op2 = torch.nn.functional.conv2d(input1,filters2,stride=2,padding=1)
op3 = torch.nn.functional.conv2d(input1,filters3,stride=2,padding=1)
op4 = torch.nn.functional.conv2d(input2,filters4,stride=2,padding=1)
op5 = torch.nn.functional.conv2d(input2,filters5,stride=2,padding=1)
op6 = torch.nn.functional.conv2d(input1,filters1,stride=2,padding=0)

print(op1)
print(op2)
print(op3)
print(op4)
print(op5)
print(op6)

输出。

tensor([[[[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]]]])
tensor([[[[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]],

         [[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]]]])
tensor([[[[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]],

         [[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]],

         [[-1., -1., -1.],
          [-1., -2., -2.],
          [-1., -2., -2.]]]])
tensor([[[[-2., -2., -2.],
          [-2., -4., -4.],
          [-2., -4., -4.]],

         [[-2., -2., -2.],
          [-2., -4., -4.],
          [-2., -4., -4.]]]])
tensor([[[[-2., -2., -2.],
          [-2., -4., -4.],
          [-2., -4., -4.]]]])
tensor([[[[-2., -2.],
          [-2., -2.]]]])