pytorch中torch.nn.Conv2d中的groups参数

最新推荐文章于 2024-03-10 11:22:59 发布
最新推荐文章于 2024-03-10 11:22:59 发布
阅读量1.5k 收藏 4
点赞数
分类专栏： 深度学习工具 文章标签： pytorch
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/tzc_tzc/article/details/103311139
版权

先来看官方的说明：

  • groups = 1 时就是标准的卷积运算

  • groups=2 时就是分组为2的组卷积

分组后分两半进行卷积运算，6个卷积核分两组，最后将结果cat在一起

  • groups = input_channels的情况是这样的

当输入通道数等于输出通道数时，就是深度可分离卷积的depthwise conv，可查看mobilenet的论文理解该卷积

令我迷惑的时输出通道数不等于输入通道数时（注意输入输出通道数选取均需要能被groups整除，这意味这输出通道数一定是输入通道数的倍数了）

为此做了一个小实验：

根据结果可以看出来，实际上4个filter分了output_channels/input_channels组，例子中是两组

输入特征图的每一个channel对应一组，进行通道对通道的卷积运算

tzc_xjtu
关注
专栏目录
pyotrch nn.Conv2d中groups参数的理解
jacke121的专栏
01-16 3204
在pytorch的Docs中有关于nn.Conv2d的具体描述： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) https://zhuanlan.zhihu.com/p/35405071 import torc...
pytorch之torch.nn.Conv2d()函数详解
热门推荐
夏普通
07-09 20万+
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=
conv2d.中 groups 参数
chumingqian的博客
03-20 931
使用groups前后，并不改变卷积核的个数，改变的是每个卷积核中通道数；即普通的卷积核中，　每个卷积核中通道数　= 输入特征的通道数；使用groups, 　每个卷积核中通道数变成 = 　输入的通道数/ groups;卷积核的个数保持原来不变。
【pytorch】conv2d_group参数
YJYS_ZHX的博客
03-03 272
Pytorch - Conv2d 卷积
图解 Pytorch 中 nn.Conv2d 的 groups 参数
iioSnail的博客
05-23 2691
文章目录普通卷积复习Groups是如何改变卷积方式的实验验证参考资料 普通卷积复习 首先我们先来简单复习一下普通的卷积行为。 从上图可以看到，输入特征图为3，经过4个filter卷积后生成了4个输出特征图。对于普通的卷积操作，我们可以得到几个重要的结论： 输入通道数 = 每个filter的卷积核的个数。（注意区分卷积核和Filter，它们俩的关系是：多个卷积核组成一个Filter） Filter的个数 = 输出通道数 此时，我们的参数量为： 参数量=输入通道数×输出通道数×卷积核大小=卷积核个数×Fi
Pytorch-nn.Conv2d中groups参数的理解
每天都要进步哦~
04-02 3054
Pytorch-nn.Conv2d中groups参数的理解 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) group参数的作用是控制分组卷积。 直接通过实际的例子加以说明。 import torch import ...
深度学习之pytorch 中 torch.nn介绍
qinbaby的专栏
02-20 2089
pytorch 中必用的包就是 torch.nn，torch.nn 中按照功能分，主要如下有几类：1. Layers（层）：包括全连接层、卷积层、池化层等。2. Activation Functions（激活函数）：包括ReLU、Sigmoid、Tanh等。3. Loss Functions（损失函数）：包括交叉熵损失、均方误差等。4. Optimizers（优化器）：包括SGD、Adam、RMSprop等。
Pytorch中torch.nn.conv2d和torch.nn.functional.conv2d的区别
weixin_45561795的博客
11-16 3092
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
简单说说pytorch深度学习のtorch.nn.conv2D 卷积
m0_56502781的博客
05-04 1936
本文简单谈谈pytorch的二维卷积nn.conv2D，其主要作用为在由多个输入平面组成的输入信号上应用二维卷积。 目录 文章目录 前言 一、卷积过程 1.最简单的二维互相关 2.以RGB为例的多通道卷积 二、conv2D的相关参数 1.conv2D的形式： 2.参数解析 三、示例代码 前言 本文简单谈谈pytorch的二维卷积nn.conv2D，其主要作用为在由多个输入平面组成的输入信号上应用二维卷积。 一、卷积过程 1.最简单的二维互相关 如图，如果我们的..
Pytorch 1：torch.nn.Conv2d()函数详解
weixin_40327145的博客
12-10 1239
函数原型 torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros') 参数说明： in_channels(int) – 输入图像中的通道数 out_channels(in...
pytorch的conv2d函数groups分组卷积使用及理解
weixin_38530843的博客
11-15 1755
''' groups:定义为分组： 计算公司：输出与输入通道同时分为整数的倍数，一一对应卷积。 表现： groups=2:torch.Size([6, 2, 1, 1]) 如果将group=3时，卷积核大小为torch.Size([6, 2, 1, 1])，即6个2*1*1的卷积核，只需要需要6*2*1*1=12个参数 那么每组计算就只被in_...
【Pytorch】一文搞懂nn.Conv2d的groups参数的作用
syh的技术记录
11-11 4103
简单来说就是将输入和输出的通道（channel）进行分组，每一组单独进行卷积操作，然后再把结果拼接（concat）起来。
torch中实现depthwise convolution
qq_45821834的博客
12-14 1467
介绍了depthwise convolution，并且提供了运用torch.nn.functional.conv2d和torch.nn.Conv2d的两种实现方式
nn.Conv2d()中的groups分组参数
最新发布
xiao_ZHEDA的博客
03-10 726
nn.Conv2d（）的groups参数
Conv2d中的groups参数（分组卷积）怎么理解？ 【分组卷积可以减少参数量、且不容易过拟合（类似正则化）】
MOL
01-11 1万+
关于Conv2d的用法先看以下链接：Conv2d_马鹏森的博客-CSDN博客 注意：首先需要知道的是groups的值必须能整除in_channels和out_channels 前置知识：卷积参数量的计算公式是：（输入通道数 * 输出通道数 * k^2 ）/ groups 了解分组卷积对输入通道数的影响： 1.当设置group=1时： conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=1) conv.wei.
如何理解pytorch 卷积里group 这个参数
yang0817manman的博客
12-28 412
groups 默认值为1， 对应的是常规卷积操作 groups > 1， 且能够同时被in_channel / out_channel整除，对应group_convolution groups ==input_channel == out_channel , 对应depthwise convolution,为条件2的特殊情况 在条件3的基础上，各卷积核的H==input_height; W==input_width, 对应为global depthwise convolution, 为条件3的特
nn.Conv2d详解
蜗牛在奔跑的博客
04-08 4494
注意，对于卷积操作，输入数据一般为四维张量，需要按照 batchsize × 通道数 × 高度 × 宽度的维度排列，这里 x 的大小为 (1, 3, 224, 224) 表示 batchsize 为 1，通道数为 3，输入图像的尺寸为 224x224。这里我们定义了一个输入通道数为 3，输出通道数为 32，卷积核大小为 3x3，步长为 1，边界填充数为 1 的卷积层。然后，我们定义了一个大小为 (1, 3, 224, 224) 的输入数据 x，执行前向计算得到输出 out。
关于Pytorch中的nn.Conv2d的group参数的理解
橙的博客
05-18 2061
小白能看的懂的关于nn.Conv2d中的关于group参数的解读。
torch.nn.conv2d的参数解释
12-26
torch.nn.Conv2d是PyTorch中用于二维卷积操作的类模块。它有以下几个参数： 1. in_channels：输入图像的深度。对于彩色图像，深度为3（RGB通道），对于灰度图像，深度为1。 2. out_channels：输出图像的深度，即...
评论 1
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