用实例理解torch中的卷积、标准化和池化操作（维度是怎么变的）

最新推荐文章于 2024-07-04 09:34:46 发布

油泼西红柿

最新推荐文章于 2024-07-04 09:34:46 发布

阅读量1k

点赞数 1

分类专栏： Python Deep Learning 文章标签： python 深度学习 pytorch

本文链接：https://blog.csdn.net/qq_37813206/article/details/111353404

版权

本文通过实例详细解释了在PyTorch中进行卷积、标准化和池化操作时，输入和输出的维度变化规律。深入探讨了这些操作如何影响神经网络中数据的形状，对于理解和实现深度学习模型具有重要意义。

摘要由CSDN通过智能技术生成

import torch
import torch.nn as nn
#输入数据
##对于输入数据，假设是3通道*256时间序列的eeg信号，对应的是一维的输入数据；若是3通道*256时间序列*256频域特征，便为二维的输入数据
#conv1d卷积
input = torch.randn(16,3,256)#batchsize,channels,timeserials
conv1 = nn.Conv1d(in_channels=3,out_channels=100,kernel_size=2)
out = conv1(input)#batchsize,out_channels,timeserials-kernel_size+1
print("conv1d: