学习笔记：动手学深度学习 26 通道数

核大小   填充（通常设置为核减一）   步幅（通常情况步幅为1最好，计算量太大的话，步幅取2）

卷积核的边长一般取奇数：上下填充对称

resnet 经典网络

通道数（超参数）

输出通道数是卷积层的超参数

每个输入通道有独立的二维卷积核，所有通道结果相加得到一个输出通道结果

每个输出通道有独立的三维卷积核

1*1卷积层

多输入通道

 实现多输入用到互相关运算

Python 3.8.8 (default, Apr 13 2021, 15:08:03) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.22.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.22.0
Python 3.8.8 (default, Apr 13 2021, 15:08:03) [MSC v.1916 64 bit (AMD64)] on win32
import torch
from d2l import torch as d2l
def corr2d_multi_in(X, K):
    # 先遍历 “X” 和 “K” 的第0个维度（通道维度），再把它们加在一起
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))
X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],
               [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])
corr2d_multi_in(X, K)
Out[3]: 
tensor([[ 56.,  72.],
        [104., 120.]])

 多输出通道

实现一个计算多个通道的输出的互相关函数

def corr2d_multi_in_out(X, K):
    # 迭代“K”的第0个维度，每次都对输入“X”执行互相关运算。
    # 最后将所有结果都叠加在一起
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)
 """torch.stack是堆叠操作"""
Out[5]: 'torch.stack是堆叠操作'
K = torch.stack((K, K + 1, K + 2), 0)
K.shape
Out[6]: torch.Size([3, 2, 2, 2])
corr2d_multi_in_out(X, K)
Out[7]: 
tensor([[[ 56.,  72.],
         [104., 120.]],

1×1 卷积层

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))
    # 全连接层中的矩阵乘法
    Y = torch.matmul(K, X)
    return Y.reshape((c_o, h, w))
X = torch.normal(0, 1, (3, 3, 3)) #输入通道是3
K = torch.normal(0, 1, (2, 3, 1, 1)) #输出通道是2
X
Out[10]: 
tensor([[[-1.3284,  0.8308,  0.2190],
         [-0.6506, -0.7553, -0.1650],
         [-0.5727, -0.8305, -0.9563]],
        [[ 0.4634,  0.1110,  0.6811],
         [-0.9413,  2.1331,  0.0488],
         [ 0.3226, -0.2758, -1.1776]],
        [[-1.4714, -0.9758, -0.8739],
         [ 0.7497,  1.0012, -0.3699],
         [-0.3726,  1.4853,  0.3012]]])
K
Out[11]: 
tensor([[[[ 0.4743]],
         [[-1.1153]],
         [[-1.1156]]],
        [[[-0.5471]],
         [[-0.5898]],
         [[-1.6157]]]])
Y1 = corr2d_multi_in_out_1x1(X, K)
Y2 = corr2d_multi_in_out(X, K)
assert float(torch.abs(Y1 - Y2).sum()) < 1e-6