使用nn.Conv2d()和nn.MaxPool2d()调整输出的技巧

于 2023-07-28 15:37:00 发布
阅读量93 收藏
点赞数
分类专栏： 深度学习
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/qq358660877/article/details/132597642
版权

前提是没有使用dilation,牢记以下公式：
1.如果想保持张量大小不变，则：kenel_size=3(奇数)，stride_size=1，pad_size=1((kenel_size-1)/2)
2.如果想让张量大小按倍数减小，则在1的其他参数设置下，改变stride_size即可

孜孜不倦fly
关注
专栏目录
两层卷积神经网络nn.Conv2d参数调整
sinat_40547901的博客
11-19 3123
最近在学习卷积神经网络，看了一些入门知识，找了一个简单的卷积神经网络代码来跑，跑成功了，有两个卷积层，想着如果给它再加一层卷积层，会怎样，然后发现得调整nn.Conv2d里面的参数，经过别人是指导终于有了一些思路，以此记录一下，分享给大家。 先把我的完整代码放上来，再分片段来说。 # 手写数字识别--MNIST数据集--卷积 # 准确率：99% import torch import torch.nn as nn import torch.nn.functional as F import torch.o
pytorch之torch.nn.Conv2d()函数详解
热门推荐
夏普通
07-09 21万+
文章目录一、官方文档介绍二、torch.nn.Conv2d()函数详解参数详解参数dilation——扩张卷积（也叫空洞卷积）参数groups——分组卷积三、代码实例 一、官方文档介绍 官网 nn.Conv2d：对由多个输入平面组成的输入信号进行二维卷积 二、torch.nn.Conv2d()函数详解 参数详解 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=
pytorch中的nn.Conv2d()如何控制输出的形状
weixin_44791757的博客
06-07 2642
大家想必在构建网络结构的时候都会遇到一个问题，那就是如何设置卷积核的参数来控制输出张量的形状，本文就这个问题来对conv2d函数进行一个讲解。 in_channels: 输入维度 out_channels: 输出维度 kernel_size: 卷积核大小 stride: 步长大小（默认为1） padding: 填充的大小（补0） 输出的维度由out_channel来进行设定，而输出的尺寸则是由输入尺寸（input_size），卷积核大小(kernel_si...
nn.Conv2d()方法详解
weixin_41917928的博客
06-15 5012
方法是PyTorch中用于卷积操作的方法。它具有多个参数，包括输入通道数、输出通道数、卷积核大小、步长、填充大小、扩张率、分组数、偏置和填充模式。在使用方法时，需要根据具体任务和数据的特点来选择合适的参数。
Pytorch深度学习实践学习笔记（十一）CNN（高级篇）
qq_43425719的博客
06-29 131
梯度消失：当网络层数过多的时候，反向传播过程中，梯度若乘以一个小于1的数字，其值会越来越小，导致反向传播的梯度消失，无法到达最优点。不同的路径，Batch一定相同，要求输出的时候W与H必须相同，通道数可以不同，通过Concatenate操作，将不同的输出的张量拼接起来。Inception Model：可以实现对多种超参数的选择，例如Kernel的大小，随着训练的进行，效果好的卷积核所在的层权重会越来越高。跳连接：在经过全连接层等后，先加上输入，再进行激活，这样就可以在原来的梯度上加上1，防止梯度消失。
【知识点】nn.Conv2d参数设置
azheng02的博客
04-09 1775
若group=3时，则每组计算只有out_channel/groups = 2个channel参与，故每一组卷积层的参数大小为[6,2,1,1]，每一组共有6 * 2=12个参数，相当于每一组被重复用了3次（即group）次，最后再concat.从中文上来讲，这个参数的意义从卷积核上的一个参数到另一个参数需要走过的距离，那当然默认是1了，毕竟不可能两个不同的参数占同一个地方吧（为0）。极端情况下，输入输出通道数相同，比如为24，group大小也为24，那么每个输出卷积核，只与输入的对应的通道进行卷积。
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在PyTorch中，`nn.Conv2d()`是用于创建二维卷积层的类，它是深度学习模型构建中常用的基本组件。卷积层通过在输入数据上应用一系列滤波器（或称权重）来提取特征，这些滤波器通常具有一定的尺寸（kernel_size）、...
pytorch1.0中torch.nn.Conv2d用法详解
09-18
总的来说，`torch.nn.Conv2d`在PyTorch中扮演着至关重要的角色，它与其他函数如`F.relu`和`F.max_pool2d`结合，构建了深度学习模型的基础架构。理解其工作原理和参数设置对于有效地设计和训练神经网络至关重要。
PyTorch学习笔记（1）nn.Sequential、nn.Conv2d、nn.BatchNorm2d、nn.ReLU和nn.MaxPool2d
weixin_42495721的博客
01-15 1万+
这里写目录标题一、nn.Sequential二、nn.Conv2d 一、nn.Sequential torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。另外，也可以传入一个有序模块。 为了更容易理解，官方给出了一些案例： # Sequential使用实例 model = nn.Sequential( nn.Conv2d(1,20,5), nn.ReLU(), nn.Conv2d(20,
Pytorch中torch.nn.conv2d和torch.nn.functional.conv2d的区别
weixin_45561795的博客
11-16 3148
你是否和我有同样疑惑，pytorch中怎么会有卷积、激活、池化等操作，虽然不在同一个包下面，那他们的区别究竟是什么，今天我们就来捋一捋这个问题。 区别一 正如我们知道的这些看似相同的卷积、激活、池化等操作，分别在不同的包下面—— torch.nn.xxx 和 torch.nn.functional.xxx包，那么他的作用和完成的方式以及调用的方式当然也不一样。 首先我们来看一下pytorch中文文档 ![在这里插入图片描述](https://img-blog.csdnimg.cn/202011161909
【PyTorch基础】——nn.Conv2d（）参数设置
retainenergy的博客
12-03 3544
nn.Conv2d(）参数设置 bias什么时候设置为True?什么时候设置为False？
torch.nn.MaxPool2d参数详解
一璐有你的专栏
09-05 1万+
在神经网络中 池化层是比较重要的，是提取重要信息的操作，可以去掉不重要的信息，减少计算开销。下面我们来介绍 MaxPool2d的使用方法。 API官网文档 MaxPool2d 参数介绍 kernel_size ：表示做最大池化的窗口大小，可以是单个值，也可以是tuple元组 stride ：步长，可以是单个值，也可以是tuple元组 padding ：填充，可以是单个值，也可以是tuple元组 dilation ：控制窗口中元素步幅 return_indices ：布尔类型，返回最大值位置索引 cei
【PyTorch】nn.MaxPool2d函数详解
See_Star的博客
10-28 1万+
nn.MaxPool2d函数详解
torch.nn.MaxPool2d详解
Medlen
11-22 8万+
注意：这里展示的是本篇博文写时的版本最新的实现，但是后续会代码可能会迭代更新，建议对照官方文档进行学习。 先来看源码： # 这个类是是许多池化类的基类，这里有必要了解一下 class _MaxPoolNd(Module): __constants__ = ['kernel_size', 'stride', 'padding', 'dilation', 'return_indices', 'ceil_mode'] return_indices: boo
神经网络——Pooling layers中最大池化MaxPool2d的使用
m0_51816252的博客
06-02 4531
Pooling layers池化层中有许多函数，其中使用较多的就是最大池化MaxPool2d，本文结合代码简单讲解一下MaxPool2d的使用。
【学习笔记】torch.nn.MaxPool2d参数解释
东城的博客
09-30 2495
class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False) 如下是MaxPool2d的解释： class MaxPool2d(_MaxPoolNd): r"""Applies a 2D max pooling over an input signal composed of several input planes.
数据分析高级培训：客户体验分析-课件
11-10
课程目标： 本课程旨在让学员了解什么是客户体验，客户服务体验的重要性以及常见指标，掌握客户体验的分析方法，学会客户问题的识别以及针对问题制定有效的解决方案。 课程大纲： 客户体验的概述 客户体验的分析方法 客户问题解决的方法论
【微电网潮流】分布式电源微电网潮流【Matlab仿真 7357期】.zip
最新发布
11-10
CSDN Matlab武动乾坤上传的资料均有对应的代码，代码均可运行，亲测可用，适合小白； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博客文章底部QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
Unity3d-lesson_EVAC-CITY.zip
11-10
Unity3d实例工程，供学习参考
F.conv2d和nn.Conv2d区别
11-11
在PyTorch中，F.conv2d和nn.Conv2d都是用于实现卷积操作的函数，但它们之间有一些区别。 1. F.conv2d是一个函数，而nn.Conv2d是一个类。因此，使用F.conv2d时不需要实例化对象，而使用nn.Conv2d时需要实例化对象。 2. F.conv2d是一个函数式API，它不会保存权重，也不会有其他状态。而nn.Conv2d是一个对象，它会保存权重和其他状态。 3. F.conv2d的输入和输出都是张量，而nn.Conv2d的输入和输出都是变量。 4. F.conv2d的参数是张量，而nn.Conv2d的参数是变量。 下面是一个使用F.conv2d和nn.Conv2d实现卷积操作的例子： ```python import torch import torch.nn as nn import torch.nn.functional as F # 使用F.conv2d实现卷积操作 input = torch.randn(1, 1, 28, 28) weight = torch.randn(16, 1, 3, 3) output = F.conv2d(input, weight, stride=1, padding=1) print(output.shape) # 输出：torch.Size([1, 16, 28, 28]) # 使用nn.Conv2d实现卷积操作 conv = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1) input = torch.randn(1, 1, 28, 28) output = conv(input) print(output.shape) # 输出：torch.Size([1, 16, 28, 28]) ```
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