1.多输入通道
当输入数据含多个通道时,我们需要构造一个输入通道数与输入数据的通道数相同的卷积核。以1维卷积为例,卷积窗口大小为1*1,输入有三个通道,所以卷积的通道数也应该为3个通道。如下图所示,输入的数据有三个通道,卷积也有三个通道,每个通道都是一个1维的卷积核且卷积核的大小为11, 但是这样当输入通道有多个时,我们对各个通道的结果进行了累加,所以不论输入通道数是多少,输出通道数总是1.
代码实现:
ef corr2d(X,K):
h,w = K.shape
Y = torch.zeros(X.shape[0] - h + 1,X.shape[1] - w + 1)
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
Y[i,j] = (X[i:i + h, j: j + w]*K).sum()
return Y
def corr2d_mutil_in(X,K):
h,w = K.shape[1],K.shape[2]
value = torch.zeros(X.shape[0] - h + 1,X.shape[1] - w + 1)
for x,k in zip(X,K):
value = value + corr2d(x,k)
return value
X = torch.tensor([[[1,2,3],[4,5,6],[7,8,9]],
[[1,1,1],[1,1,1],[