torch里的分组卷积

最新推荐文章于 2024-08-07 16:05:03 发布
最新推荐文章于 2024-08-07 16:05:03 发布
阅读量825 收藏
点赞数 1
分类专栏： 深度学习 神经网络 pytorch 文章标签： 深度学习 卷积 python pytorch 卷积神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baoxin1100/article/details/114662157
版权

普通卷积

如果输入特征的通道是 32，希望输出特征的通道是 64，对于 3*3 的普通卷积来说，卷积层设置为：

conv = torch.nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3)

我们查看卷积核的参数量

print(conv.weight.shape) # torch.size([64,32,3,3])

所以普通卷积的参数量是 64 × \times

最低0.47元/天 解锁文章
baoxin1100
关注
专栏目录
Pytorch 之torch.nn初探第4关：卷积--Convolution Layers
admin的博客
10-05 791
经过前几节的的学习，想必大家对torch.nn有了初步的了解。接下来，向大家介绍神经网络中的一种特殊的定义——卷积层！
从理论到实践谈谈分组卷积（Group Convolution）与深度卷积（Depthwise Convolution）之间的联系
NorthSmile的博客
09-07 1223
深度卷积可以说是分组卷积的一种特殊情况：对于大小为（N,C_in,H_in,W_in）的输入，当分组卷积中groups=C_in，而输出为（N,C_out,H_out,W_out）=（N,K×C_in,H_out,W_out）时，分组卷积即为深度卷积（其中的K为一个正整数），其实在深度可分离卷积中使用的深度卷积就是K=1的特殊情况。
pytorch 卷积 分组卷积 及其深度卷积
lyl771857509的博客
11-15 1万+
先来看看pytorch二维卷积的操作API                                           现在继续讲讲几个卷积是如何操作的。 一. 普通卷积 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=...
Pytorch实现卷积、Depthwise Convolution、分组卷积、动态卷积和转置卷积、反卷积、全卷积、空洞卷积、可变形卷积、深度可分离卷积等操作
taoqick的专栏
03-04 1420
底层是用img2col实现的，但是如果想用pytorch来实现，可以试试torch.unfold这个函数，
使用torch库进行简单的卷积操作 （1）
最新发布
2301_76846375的博客
08-07 680
使用MSELoss作为损失函数并进行400次迭代训练的整个过程，是一个通过不断调整模型参数以最小化预测误差的过程。这个过程包括初始化模型和优化器、前向传播生成预测、计算损失、反向传播计算梯度以及更新模型参数。通过多次迭代，模型能够逐渐学习到数据的内在规律，从而提高其预测性能。
卷积 - 3. 分组卷积 详解
Aaron_neil的博客
11-04 1万+
1. 起源 分组卷积(Group Convolution) 起源于2012年的AlexNet - 《ImageNet Classification with Deep Convolutional Neural Networks》。由于当时硬件资源的限制，因为作者将Feature Maps分给多个GPU进行处理，最后把多个GPU的结果进行融合。如下图： 2. 分组卷积 介绍 我接下来用图来直观的展示普通卷积和分组卷积的区别： 首先，传统的 2D 卷积步骤如下图所示，输入特征为 (H × W .
torch.size()
热门推荐
Suzerk的博客
02-26 2万+
torch.size()查看tensor的尺寸； 1-6行：两个[]两个数字，第一层[]中以,分割包含两个[],所以2；其中每一个[]中又有3个数，所以torch.Size的第二个数是三。 8-9行：在1-6基础上再加一个[]，所以第一个数字是1。 ...
分组卷积的实现
liupc的学习笔记
08-31 2869
一、分组卷积的概念（回顾） 前面讲了。这里简单回顾一下： 分组卷积就是将特征图平均分为N组，然后每组内部进行正常卷积，然后N组得到的特征图按照通道维度进行拼接，得到输出。 如图所示，左边是正常的卷积，输入通道为12，输出通道为6，卷积核大小为3*3。 右边就是分组卷积。分成了三组，然后分别做卷积。每一组输入通道有4，输出通道为2。经过分组卷积之后，得到的也是6个通道输出。 二、分组卷积的优缺点 分组卷积的优点： 1. 分组卷积的参数量是正常卷积的1/N 。N为分组数，这里为3。 2.
pytorch的conv2d函数groups分组卷积使用及理解
weixin_38530843的博客
11-15 1761
''' groups:定义为分组： 计算公司：输出与输入通道同时分为整数的倍数，一一对应卷积。 表现： groups=2:torch.Size([6, 2, 1, 1]) 如果将group=3时，卷积核大小为torch.Size([6, 2, 1, 1])，即6个2*1*1的卷积核，只需要需要6*2*1*1=12个参数 那么每组计算就只被in_...
【pytorch】卷积层输出尺寸的计算公式和分组卷积的weight尺寸的计算
qq_37791134的博客
08-12 2732
参考链接，我真的觉得看官网就是最棒的参考！清清楚楚，明明白白 https://pytorch.org/docs/master/generated/torch.nn.Conv2d.html#torch.nn.Conv2d # 测试一下输出尺寸 # With square kernels and equal stride m = nn.Conv2d(16, 33, 3, stride=2) # non-square kernels and unequal stride and with paddi.
pytorch中Conv1d、Conv2d与Conv3d详解
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 1万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
【Pytorch】常用层的说明(4)
littlemichelle
06-28 390
目录 一、卷积层 二、最大池化层 三、非线性激活 四、线性层及其他层介绍 五、搭建一个小网络 六、Sequential的使用 一、卷积层 https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md torch.nn.Conv2d(in_channels, #
Torch 二维多通道卷积运算方式
荷碧TongZJ 的水文
06-24 2311
对于单通道卷积的运算，相信大家已经见过不少了那么在卷积神经网络中，图像的通道数是怎样实现“从3到8”这样的跳变呢？使用Torch的Conv2d可以发现，weight参数的shape是[8,3,5,5]可以看到，Torch的运算结果和我的运算结果是一样的，猜想成立TorchGuess提出这个运算方式，是为了帮助大家更好地理解卷积在实际的部署中，是不是使用这样的方式运算我就不清楚了。...
pytorch的几种conv方法
芒果干的博客
03-30 4323
这里写目录标题ConvGroup ConvDepthwise Separable Convolution1. Depthwise Conv2. Pointwise Conv Conv 首先是常规卷积，假设我们有一张6×4×46 \times 4 \times 46×4×4的特征图，现在想得到一张10×3×310 \times 3 \times 310×3×3的图，如果直接使用卷积操作，卷积核一共有10个，每个大小为6×2×26 \times 2 \times 26×2×2。代码及计算过程如下图所示 conv
深度可分离卷积(Depthwise Separable Convolution)和分组卷积(Group Convolution)的理解，相互关系及PyTorch实现
weixin_30793735的博客
03-30 2万+
深度可分离卷积(Depthwise Separable Convolution)和分组卷积(Group Convolution)的理解，相互关系及PyTorch实现 1. 分组卷积(Group Convolution) 分组卷积最早出现在AlexNet中，如下图所示。在CNN发展初期，GPU资源不足以满足训练任务的要求，因此，Hinton采用了多GPU训练的策略，每个GPU完成一部分卷积，最后把多...
pytorch入门 Convolution & Pooling
JJChowLoT的博客
07-19 587
知识点 1、读取图像，灰度图像 2、显示图像 3、定义卷积层 4、nn.Conv2d参数 5、定义kernel 6、修改nn.Conv2d的weight 7、输出图像转numpy() 8、定义池化层 对于Convolution ，一般用torch.nn.Conv2d定义（torch.nn.functional.conv2d()用的比较少) import numpy as np import tor...
torch.shape 输出： torch.Size([3]) 与 torch.Size([])各自的实现方式
nyist_yangguang的博客
05-02 4009
from __future__ import print_function from torch.autograd import Variable as V import torch as t a=t.tensor(1,dtype=t.float) print(a,a.shape,a.dtype) b=V(t.tensor([1,1,1])) print(b,b.shape,b.dtype)
[Pytorch系列-35]：卷积神经网络 - 搭建LeNet-5网络与CFAR10分类数据集
文火冰糖（王文兵）的博客
11-03 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 前言：LeNet网络详解 （1）LeNet网络详解 [人工智能-深度学习-33]：卷积神经网络CNN - 常见分类网络- LeNet网络结构分析与详解_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章 卷积神经网络基础1.1 卷积神经发展与进化史1.2 卷积神经网络的核心要素1.3 卷积神经..
分组卷积 pytorch
05-19
分组卷积（Grouped Convolution）是卷积神经网络中的一种特殊的卷积操作。它将输入特征图分组后，对每个组进行独立的卷积操作，最后将各组的输出特征图拼接在一起得到最终的输出特征图。 在 PyTorch 中，可以通过...
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
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