维度转换
在torch中应用卷积的时候,我们有时候遇到一些问题。在cv领域我们常见的就是用二维卷积将图片中各种特征进行提取,但是目标检测、分割中都没有涉及到时域。但是一旦涉及到提取时域特征的话,下面三种维度转换就会非常有用,我们可以建立更加丰富的网络。我们可以用一维、二维、三维卷积提取到更加丰富的信息,提升我们网络的鲁棒性。
1.卷积维度合并
torch中torch.cat()和paddle、tensorflow中concate一样,将目标特征图在不同维度上进行拼接。
应用场景,当将特征图分块处理之后,我们在需要将特征进行形状还原的时候使用。而torch.add()代表 的尺寸一样的特征图进行内值相加。这种一般用于特征融合的,提取多特征的时候进行特征融合的时候使用。
// An highlighted block
x0 = torch.rand(3, 224, 224)
x1 = torch