python多输入多输出_卷积的理解 python代码实现 pytorch 多输入多输出通道的理解...

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1​1, 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],[