P21 卷积层里的多输入多输出通道

##实现多输入通道互相关运算

import torch
from d2l import torch as d2l

def corr2d_multi_in(X,K):
    #用corr2d这个函数，假设X和k都是3d的，把X和k打包zip起来
    return sum(d2l.corr2d(x,k) for x,k in zip (X,K))

##验证互相关运算的输出
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]]])

print(corr2d_multi_in(X,K))
'''
tensor([[ 56.,  72.],
        [104., 120.]])

'''

##计算多个通道的输出的互相关函数
def corr2d_multi_in_out(X,K):
    #X是3-d的，K是4-d的，对每个输出通道的K，拿出一个小k，用小k和完整的输入X作多通道的互相关运算
    #最后新建一个维度，把所有的东西stack起来，一个个堆积起来
    return torch.stack([corr2d_multi_in(X,K) for k in K], 0 )

#设定K，创建3个输出通道，K, K+1,K+2，最后在0的位置上stack起来
K = torch.stack((K,K +1, K + 2),0)
print('k-shape:',K.shape)
#k-shape: torch.Size([3, 2, 2, 2])——意思是输出通道是3，输入是2，最后两个表示高和宽都是2，
#print(corr2d_multi_in_out(X,K))
#有3个卷积核，每个卷积核有2个通道，每个通道都是2*2的矩阵
#ValueError: too many values to unpack (expected 2)

##1*1卷积 = 全连接
def corr2d_multi_in_out_1x1(X,K):
    c_i,h,w = X.shape
    c_o = K.shape[0] #K的第一个shape
    X = X.reshape((c_i,h*w))
    K = K.reshape((c_o,c_i))
    Y = torch.matmul(K,X) #调用矩阵乘法K*X
    return  Y.reshape((c_o,h,w)) 

X = torch.normal(0,1,(3,3,3,))
K = torch.normal(0,1,(2,3,1,1))

Y1 = corr2d_multi_in_out_1x1(X,K)
Y2 = corr2d_multi_in_out(X, K)
assert float(torch.abs(Y1-Y2).sum()) < 1e-6

一直报错

#ValueError: too many values to unpack (expected 2)