WeightNet torch

最新推荐文章于 2024-06-04 09:47:15 发布

AI算法网奇

最新推荐文章于 2024-06-04 09:47:15 发布

阅读量2.2k

点赞数

分类专栏： pytorch知识宝典深度学习宝典

本文链接：https://blog.csdn.net/jacke121/article/details/111658689

版权

深度学习宝典同时被 2 个专栏收录

998 篇文章 718 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

pytorch知识宝典

500 篇文章 227 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

这篇博客探讨了WeightNet在预测阶段如何处理Gap问题，深入解析了该技术的关键点及其在实际应用中的影响。

摘要由CSDN通过智能技术生成

预测时需要gap

import time

import torch
import torch.nn.functional as torch_F
import torch.nn as nn
class WeightNet(nn.Module):
    r"""Applies WeightNet to a standard convolution.

    The grouped fc layer directly generates the convolutional kernel,
    this layer has M*inp inputs, G*oup groups and oup*inp*ksize*ksize outputs.

    M/G control the amount of parameters.
    """

    def __init__(self, inp, oup, ksize, stride):
        super().__init__()

        self.M = 2
        self.G = 2

        self.pad = ksize // 2
        inp_gap = max(16, inp//16)
        self.inp = inp
        self.oup = oup
        self.ksize = ksize
        self.stride = stride

        self.wn_fc1 = nn.Conv2d(inp

了解本专栏