6.4.3 1x1卷积层

特点：1x1卷积层相当于全连接层
作用：1x1卷积用于调整网络层的通道数量和控制模型复杂度

输入形状：(通道，行，列) = (3,3,3)
卷积核形状：(输出通道，输入通道，行，列) = (2,3,1,1)
输出形状：(通道，行，列) = (2,3,3)

import cv2
import torch
from torch import nn
from d2l import torch as d2l

一.使用神经网络全连接的方式实现对X使用1x1卷积

def corr2d_multi_in_out_1x1(X,K):
    c_i,h,w = X.shape
    c_o = K.shape[0]
    X = X.reshape((c_i,h*w))
    K = K.reshape((c_o,c_i))
    Y = torch.matmul(K,X)
    # 全连接层中的矩阵乘法
    return Y.reshape((c_o,h,w))

二.使用卷积函数计算 对X使用1x1卷积

def corr2d_multi_in(X,K):
    return sum(d2l.corr2d(x,k) for x,k in zip(X,K))
'''多输入和多输出通道'''
def corr2d_multi_in_out(X,K):
    # 注意，没有遍历X，此时的X是大写
    return torch.stack([corr2d_multi_in(X,k) for k in K],0)

# 生成均值为0，方差为1的 3通道的3x3矩阵
X = torch.normal(0,1,(3,3,3))
# 生成均值为0，方差为1的 输出通道为2，输入通道为3，3x3矩阵
K = torch.normal(0,1,(2,3,1,1))
Y1 = corr2d_multi_in_out_1x1(X,K)
Y2 = corr2d_multi_in_out(X,K)

# Y1结果
tensor([[[-0.3174, -0.3736, -0.3822],
         [-1.2920, -0.7917, -1.0706],
         [ 2.1018, -1.1783,  0.7724]],

        [[-0.4680,  3.2644,  1.2653],
         [ 2.7322, -0.4164, -0.0810],
         [-2.7743,  2.0169, -1.3969]]])

# Y2结果
tensor([[[-0.3174, -0.3736, -0.3822],
         [-1.2920, -0.7917, -1.0706],
         [ 2.1018, -1.1783,  0.7724]],

        [[-0.4680,  3.2644,  1.2653],
         [ 2.7322, -0.4164, -0.0810],
         [-2.7743,  2.0169, -1.3969]]])

# 当Y1与Y2的差<1e-6时继续执行，否则报错。
assert float(torch.abs(Y1-Y2).sum()) < 1e-6

补充 assert函数

一、assert函数

断言函数

二、assert 表达式：

当表达式为真时，程序继续往下执行，只是判断，不做任何处理；

当表达式为假时，抛出AssertionError错误，并将 [参数] 输出

三、用法

1、assert语句用来声明某个条件是真的。

2、如果你非常确信某个你使用的列表中至少有一个元素，而你想要检验这一点，并且在它非真的时候引发一个错误，那么assert语句是应用在这种情形下的理想语句。

3、当assert语句失败的时候，会引发一AssertionError。