Sina Weibo:小锋子Shawn
Tencent E-mail:403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/80345103
基于Pytorch 0.2.0_1
Parameters, 参数,文档
Containers,容器,文档
Module,所有神经网络模块的基础类。
Sequential,序贯容器,类似Keras里面的序贯模型,另外这些是比较传统的卷积网络了。
Convolution layers,卷积层,文档
Conv1d,一维卷积层。用于计算ECG等一维数据。
Conv2d,二维卷积层。用于计算CT断层或MR断层,或二维超声图像,自然图像等二维数据。
Conv3d,三维卷积层。用于计算CT或MR等容积数据,视频数据等三维数据。
ConvTranspose2d,二维转置卷积层。
Pooling layers,池化层,文档
Padding layers,填充层,文档
ReflectionPad2d,属于Padding Layers,镜像填充。Padding的方式可以是统一方式,也就是指定一个数值,也可以是不规则方式,也就是给出一个4元组。Shape的计算公式可以查看文档。如下:
#is int
m = nn.ReflectionPad2d(3)
# ReflectionPad2d(3, 3, 3, 3)
input = autograd.Variable(torch.randn(16, 3, 320, 480)) # size 16 3 320 480
output = m(input) # size 16 3 326 486
#is 4-tuple
m = nn.ReflectionPad2d((3, 3, 6, 6)) # Left, Right, Top, Bottom
output = m(input) # size 16 3 332 486
ReplicationPad2d,同上,复制填充。
ReplicationPad3d,类似上面。
ZeroPad2d,同上,常数为零。
ConstantPad2d,同上,常数自己指定。
Non-linear Activations,非线性激活函数,文档
LeakyReLU,泄漏ReLU。
Tanh,双曲正切函数。输出值范围在[-1,1]。
Normalization layers,规范化层,文档
BatchNorm2d,根据公式进行空间批归一化(Spatial BatchNorm),也即 input−mean(input)var(input)+eps√∗γ+β i n p u t − m e a n ( i n p u t ) v a r ( i n p u t ) + e p s ∗ γ + β 。这里的input一般为4d张量的每一通道,也就是每一通道有自己的mean、var、 γ γ 和 β β 。
InstanceNorm2d,根据公式进行归一化,也即