pytorch中，不同的kernel对不同的feature map进行卷积之后输出某一个channel对应的多个feature map如何得到一个channel的feature map...

最新推荐文章于 2022-08-10 15:38:27 发布
最新推荐文章于 2022-08-10 15:38:27 发布
阅读量1.3k 收藏
点赞数
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/u013517182/article/details/93046712
版权

实际上在卷积操作的时候，比如说，我某一层输出的feature map的size为4713*13

channel的数目为7，设经过某卷积层之后，网络输出的feature map的channel的数目为17

从7个channel到17个channel，假设卷积核的kernel为33，那么这个卷积层的参数就有17733，那么，对于一个具体的操作而言

比如说，输出feature map有17个通道，对于输出feature map的第一个通道，是由其他7个kernel对输入的7个channel的feature map进行卷积之后，综合得到？

那么问题来了，什么是综合呢？是将所有的元素相加然后求和还是将所有的元素相加求平均？

来看代码

显然，是简单粗暴的相加得到输出的feature map某一个channel的值

YongjieShi
关注
PyTorch笔记 - Convolution卷积运算的原理 (5)
Mystra
08-15 253
Convolution卷积： - step1 用原始的矩阵运算来实现二维卷积, 先不考虑batchsize维度和channel维度 - step2 用原始的矩阵运算来实现二维卷积, 先不考虑batchsize维度和channel维度 flatten input 版本 - step3 用原始的矩阵运算来实现二维卷积, 考虑batchsize维度和channel维度, 4维 - step4：通过对kernel进行展开，来实现二维卷积，并推导出转置卷积，不考虑batch和channel...
【图像去噪】论文复现：全网最细的Pytorch版本实现MemNet！论文中的网络结构图与代码中的每个变量一一对应！实现思路一目了然！附完整代码和训练好的模型权重文件！
最新发布
畅游计算机视觉的海洋
08-26 752
论文题目：MemNet: A Persistent Memory Network for Image Restoration —— MemNet：用于图像恢复的持久记忆网络【图像去噪】论文精读：MemNet: A Persistent Memory Network for Image Restoration由于源码是Caffe实现的，本文实现Pytorch版本的MemNet。多监督模型在σ=50和70时的模型可能没有训练好，导致指标偏低。
卷积网络中的通道(Channel)和特征图
dianshu1593的博客
03-07 1913
转载自：https://www.jianshu.com/p/bf8749e15566 今天介绍卷积网络中一个很重要的概念，通道（Channel），也有叫特征图（feature map）的。 首先，之前的文章也提到过了，卷积网络中主要有两个操作，一个是卷积(Convolution)，一个是池化(Pooling)。 其中池化层并不会对通...
深度学习笔记_基本概念_卷积网络中的通道channel、特征图feature map、过滤器filter和卷积核kernel
惊鸿一博
08-17 2万+
目录 卷积网络中的通道、特征图、过滤器和卷积核 1.feature map 1.1 feature map 1.2 feature map怎么生成的？ 1.3 多个feature map 的作用是什么？ 2.卷积核 2.1 定义 2.2 形状 2.3卷积核个数的理解 3.filter 4.channel 4.1 定义 4.2 分类 4.3 通道与特征 4.4通道的终点 卷积网络中的通道、特征图、过滤器和卷积核 1.feature map 1.1 feature map .
Pytorch抽取网络层的Feature Map（Vgg）
小蚂蚁
06-06 4773
这边我是需要得到图片在Vgg的5个block里relu后的Feature Map （其余网络只需要替换就可以了） 索引可以这样获得 vgg = models.vgg19(pretrained=True).features.eval() print (vgg) Feature Map可利用下面的class class Vgg16(nn.Module): def __init__(self,...
pytorch 自定义卷积核进行卷积操作
lyl771857509的博客
11-16 4万+
一 卷积操作：在pytorch搭建起网络时，大家通常都使用已有的框架进行训练，在网络中使用最多就是卷积操作，最熟悉不过的就是 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 通过上面的输入发现想自定义自己的卷积核，比如高斯...
CNN卷积中多通道卷积的参数问题
dulingtingzi的博客
04-04 3万+
卷积过程对 一个通道的图像进行卷积， 比如10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map 吗， 答案肯定不是的，输出的个数依然是 卷积核的个数，仍然是10个featuremap， 每一层输出feature map 个数 就是该层卷积核的个数。 下面是具体的细节： 一个卷积核得到的特征提取是不充分的，我们可以添...
Conv2d 卷积层参数数量、feature map大小
wuhao1205的博客
05-10 1558
类似的内容非常多，只是想写一写当作复习，如果错误请指出，感谢大家的指点。 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None) 卷积层参数个数 假设in_channels = 5, out_channels = 6, 卷积核大小 3*3，其他
PyTorch笔记 - Convolution卷积运算的原理 (4)
Mystra
08-10 795
把5x5的Input转换为25x1，将3x3的kernel，也转换为25x1的kernel，其他位置进行填充0，通过kernel matrix，提升特征图尺寸。通过对kernel进行展开，来实现二维卷积，并推导出转置卷积，不考虑batch和channel。nn.ConvTranspose2d转置卷积。版本，可以通过unfold实现。...
深度学习+pytorch自学笔记（八）——二维卷积层、填充和步幅、多输入和多输出通道、池化层和卷积神经网络（LeNet）
weixin_45719141的博客
08-13 2132
参考书籍《动手学深度学习(pytorch版），参考网址为： https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter05_CNN/5.1_conv-layer https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html 请大家也多多支持这两个很好用的平台~ 大部分内容为书中内容，也有部分自己实验和添加的内容，如涉及侵权，会进行删除。 一、 二维卷积层 卷积神经网络（convolut
pytorch 卷积 分组卷积 及其深度卷积
lyl771857509的博客
11-15 1万+
先来看看pytorch二维卷积的操作API                                           现在继续讲讲几个卷积是如何操作的。 一. 普通卷积 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=...
pytorch中的卷积和池化计算方式
zz2230633069的博客
10-20 1万+
TensorFlow里面的padding只有两个选项也就是valid和same pytorch里面的padding么有这两个选项，它是数字0,1,2,3等等，默认是0 所以输出的h和w的计算方式也是稍微有一点点不同的：tf中的输出大小是和原来的大小成倍数关系，不能任意的输出大小；而nn输出大小可以通过padding进行改变 nn里面的卷积操作或者是池化操作的H和W部分都是一样的计算公式：H和...
pytorch 可视化初探
learning notes
12-06 1860
最近遇到一个调不出模型性能 bug, 需要深入一点了解。 可视化这块了解到主要是三块： visdom tensorboard-pytorch crayon 1. visdom先跑demo。端口号是8097， 可以在本地监听，然后用浏览器打开。git clone https://github.com/facebookresearch/visdom cd visdom python -m visdo
多个卷积核卷积
Lucky_Ape的博客
03-22 5452
Week3 第三节 问题：采用2个尺寸为33的卷积核对3通道的55图像进行卷积，padding=0， stride=1，dilation=0 其中 input shape = （3， 5， 5），数据如下： kernel size = 3*3， 第一个卷积核所有权值均为1， 第二个卷积核所有权值均为2，计算输出的feature map尺寸以及所有像素值。 ...
多通道卷积后通道数计算理解
gqixf的博客
10-31 7287
记忆为：卷积的深度（通道数）和卷积核的个数一致。 1、单通道卷积                                                 一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核。 2、多通道多个卷积核卷积计算：        图片的宽高分别用W, H来表示，图片的通道数为D,一般目前都用RGB三通道D=3, 为了通用性，通道数用D表示； 卷积核：卷...
TensorFlow中多个feature_map的组合问题
陈京九的个人博客
07-05 838
这次来总体解决一下最初提到的问题，将一个conv层输出的多个特征图整合成一张大图的方法。 从conv层出来的feature_map是有多个的，假如是3个feature_map,每个feature_map的大小为5x4。 此时tensor的shape为[5,4,3],这说明了，它将多个feature_map在某一个位置的不同通道值记录在了一起。 如果我们想要将...
Pytorch.nn.conv2d 过程验证（单，多通道卷积过程）
u014525760的博客
06-11 1万+
首先提出两个问题：1.输入图片是单通道情况下的filters是如何操作的？ 即一通道卷积核卷积过程2.输入图片是多通道情况下的filters是如何操作的？ 即多通道多个卷积核卷积过程这里首先贴出官方文档：classtorch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, grou...
torch.nn.Conv1d及一维卷积详解
热门推荐
好河流
11-06 4万+
近日在搞wavenet，期间遇到了一维卷积，在这里对一维卷积以及其pytorch中的API进行总结，方便下次使用 之前对二维卷积是比较熟悉的，在初次接触一维卷积的时候，我以为是一个一维的卷积核在一条线上做卷积，但是这种理解是错的，一维卷积不代表卷积核只有一维，也不代表被卷积的feature也是一维。一维的意思是说卷积的方向是一维的。 下边首先看一个简单的一维卷积的例子（batchsize是1，也只...
PyTorch 截取出某些通道
m0_38139098的博客
07-13 3733
按照PyTorch的规则，经过批处理加载后的图像数据排列规则: [batchsize;channels;width;height][batchsize; channels; width; height][batchsize;channels;width;height] 有些场景下我们想要提取出众多通道中的某些通道，如在目标检测场景下，我们将一些通道映射到bbox,要取出4通道数： 方法: eg:取出来前两个通道 target[:, :2] ... out[:, :2] ... 接下来就可以进行计算损.
两个四维向量进行一维卷积pytorch代码
05-31
以下是使用 PyTorch 进行两个四维向量进行一维卷积的代码： ```python import torch # 定义输入向量 input1 = torch.randn(1, 3, 10, 10) # 假设第一个向量的通道数为3，高度为10，宽度为10 input2 = torch.randn...
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