论文代码复现1 --- Conv2d(1)：对原特征图减半、不变的操作

已于 2022-02-15 20:46:33 修改
阅读量2.6k 收藏 16
点赞数 7
分类专栏： 论文代码复现 qkl论文复现知识点 pytorch 文章标签： 计算机视觉 卷积神经网络 深度学习 pytorch 机器学习
于 2020-09-28 21:26:18 首次发布
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/weixin_43560675/article/details/108857833
版权

在这里插入图片描述

原特征图大小为n×n
使用kernel_size=f的卷积核，padding=p，stride=s
最后得到特征图的大小为向下取整中的公式

常用kernel_size=3，stride=2，padding=1是将原特征图尺寸减半
kernel_size=7，stride=2，padding=3也是减半操作

特征图尺寸不变一般使用：kernel_size=1，stride=1，padding=0
或 kernel_size=3，stride=1，padding=1

real小熊猫
关注
  • 7
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络中可以让特征图尺寸减半/不变的常用卷积结构
weixin_43960370的博客
03-27 925
其中，参数groups很有意思，字面上理解是将参数分组，它可以在保持输出通道数不变的情况下，将参数重复利用。在实际实验中，同样的网络结构下，这种效果是未分组的卷积的效果的。
padding后特征图大小不变
weixin_50774105的博客
02-13 3140
n×n f×f = （n+2p-f+1）×（n+2p-f+1） n：输入图片或者特征图的大小 ：卷积（或者池化）操作 f：卷积核（池化核）的大小 p：padding的大小 要想卷积（池化）后，大小不变就要使得padding取得合适的值。 第一种方法; padding = (kernel_size - 1) // 2 局限性：kernel_size只能是奇数 第二种方法： padding = (kernel_size * 2 + 1) // 2 解决了第一种方法的局限性，ker
pytorch学习笔记1：nn.Conv2d
Avrilzyx的博客
03-06 785
我们需要使用torch.nn包中的工具来构建神经网络 首先明确构建一个神经网络需要以下几步： 定义神经网络的权重,搭建网络结构 遍历整个数据集进行训练遍历整个数据集进行训练 将数据输入神经网络 计算loss 计算网络权重的梯度 更新网络权重 weight = weight + learning_rate * gradient nn.Conv2d的功能是：对由多个输入平面组成的输入信号进行二维卷...
【mindspore】【conv2d】在执行卷积后得到的特征图尺寸问题
weixin_45666880的博客
06-17 604
问题描述：【操作步骤&问题现象】1、在执行卷积操作时，发现执行过后得到的特征尺寸图大小不变【截图信息】 这是自己写的网络，输入是（3*6*6）的图像，经过一次卷积特征图为6-3+1=4，再经过一次卷积为4-2+1=3，被缩小成3*3的大小，有16个通道，展平后应为16*3*3个神经元，但执行网络报错，发现神经元要求为16*6*6=576，查找官方api发现同样的问题，想知道为什么卷积特征图尺寸不变...
nn.Conv2d参数详解及输入特征图尺寸的计算
蜗牛在奔跑的博客
05-06 9924
kernel_size：卷积核的大小，通常为正方形，可以是单个整数表示正方形大小，也可以是一个元组（tuple）表示不同宽度和高度的大小，如 (3, 5) 表示宽度为 3 个像素，高度为 5 个像素的卷积核；需要注意的是，卷积层的参数选择也会影响特征图的大小。比如，在使用大尺寸的卷积核进行卷积时，会使得特征图的尺寸减小，而使用小尺寸的卷积核则会使得特征图的尺寸增加。其中，W 表示输入特征图的宽度，H 表示输入特征图的高度，K 表示卷积核的大小，P 表示 padding 的大小，S 表示卷积核的步幅。
NNDL 实验六 卷积神经网络（1） 卷积
m0_51236133的博客
10-21 1477
实验
conv2d详解--在数组和图像中的使用
Philo的博客
06-28 3587
将原始二维数据，通过卷积核进行运算，得到运算结果，具体运算步骤： 通过卷积核，覆盖输入数据，将选中的数据进行相乘后再相加，则得到输出数据 反复计算到最后，得到输出结果函数原型： ...
modulated-deform-conv:变形卷积2D 3D DeformableConvolution DeformConv调制火炬CUDA
04-19
Pytorch C++ and CUDA Extension,采用C++和Cuda实现了deformable-conv2d,modulated-deformable-conv2d,deformable-conv3d,modulated-deformable-conv3d的forward function和backward function,并在Python中对其进行...
transfer-learning-conv-ai：:unicorn:具有转移学习功能的最新会话式AI
02-03
该代码是一个干净且经过注释的代码库，其中包含培训和测试脚本，可用于通过利用从OpenAI GPT和GPT-2 Transformer语言模型进行学习来培训对话代理。 该代码库可用于重现HuggingFace参加NeurIPS 2018对话竞赛的结果...
基于Keras中Conv1D和Conv2D的区别说明
09-16
因此，从计算的角度来看，当`Conv2D`的输入通道数为1时，它与`Conv1D`的操作效果相同，因为一通道的二维卷积等同于一维卷积。 6. 应用场景： - `Conv1D`适用于需要捕捉时间序列中一维模式的任务，如语音识别、金融...
tf-deformable-conv-layer:可变形卷积层的TensorFlow实现
05-06
DeformableConvLayer是自定义的Keras图层，因此您可以像其他任何标准图层（例如Dense ， Conv2D一样使用它。 这是一个简单的示例： inputs = tf . zeros ([ 16 , 28 , 28 , 3 ]) model = tf . keras . Sequential ...
1.1.1版本的causal-conv1d、mamba-ssm源代码
最新发布
04-29
1.1.1版本的causal-conv1d、mamba_ssm源代码，经过测试，该版本的causal-conv1d、mamba_ssm相互适配，能够满足Vmamba、MambaIR等算法的需求。注意：两个代码压缩包被压缩进了同一个压缩文件中，
深度学习网络中的尺寸不变或重采样
flow_specter的博客
01-27 4598
概述 网络尺寸的改变，尤其是下采样时，比较经典的方式就是卷积加池化。 通过卷积+池化 显然，可以通过设计卷积结构的方式实现尺寸减半（卷积+池化）或尺寸不变。 对于尺寸减半来说，常用的参数有： Conv2d(kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False) MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False) 对于尺寸不变而言，通常使用1
Conv2d函数详解（Pytorch）
热门推荐
qq_43363657的博客
02-15 6万+
本文是基于Pytorch框架下的API ：Conv2d（）。该函数使用在二维输入，另外还有Conv1d（）、Conv3d（），其输入分别是一维和三维。下面将介绍Conv2d（）的参数。 一、参数介绍 def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, p.
tf.nn.conv2d理解
u013713117的专栏
02-17 2万+
文档解释tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)给定一个input的张量[batch, in_height, in_width, in_channels]和一个过滤器 / 内核张量 [filter_height, filter_width, in_
一个更加强力的ReID Baseline
taoqick的专栏
01-03 477
这个专栏是旷视科技北京研究院Video Team对外分享与交流的栏目，如果有兴趣加入Video Team可以把简历发给zhangchi@megvii.com，具体方向包括但不限于ReID、Tracking、Activity Recognition、GAN以及网络压缩等等。第一期文章介绍我上个月做的一个工作，是一个非常强力的ReID Baseline，这个工作也被CVPR2019的TRMTMCT Workshop接收。 1、前言 行人重识别最近两三年发展十分迅速，每年都以10~15%的Rank1准确度在增
卷积:kernel size/padding/stride
Coding
08-30 2万+
卷积的原理 卷积尺寸变化 输出尺寸=(输入尺寸-filter尺寸+2*padding)/stride+1 宽和高都是这么计算的； 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1...
jupyter notebook 批量替换某个单词/语句
weixin_43560675的博客
03-07 9192
菜单栏：Edit → Find and Replace 输入需要被替换的单词 输入需要替换的单词
去除refinedet网络的conv6-1，conv6-2卷积层，对conv4-3以及conv5-3进行BN归一化处理代码
05-24
假设你使用的是PyTorch框架，以下是可能的代码实现： ```python import torch.nn as nn class RefineDet(nn.Module): def __init__(self, num_classes): super(RefineDet, self).__init__() # 网络结构代码省略... # 去除 conv6-1 和 conv6-2 self.loc_layers = nn.ModuleList([ nn.Conv2d(512, 4 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(1024, 6 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(512, 6 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 6 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 4 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 4 * num_anchors, kernel_size=3, padding=1) ]) self.conf_layers = nn.ModuleList([ nn.Conv2d(512, 2 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(1024, 3 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(512, 3 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 3 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 2 * num_anchors, kernel_size=3, padding=1), nn.Conv2d(256, 2 * num_anchors, kernel_size=3, padding=1) ]) # 对 conv4-3 和 conv5-3 进行 BN 归一化处理 self.conv4_3_norm = nn.BatchNorm2d(512) self.conv5_3_norm = nn.BatchNorm2d(512) def forward(self, x): # 网络前向传播代码省略... # 对 conv4-3 和 conv5-3 进行 BN 归一化处理 conv4_3_norm = self.conv4_3_norm(x[23]) conv5_3_norm = self.conv5_3_norm(x[-2]) # 网络后续处理代码省略... ``` 需要注意的是，去除 conv6-1 和 conv6-2 两个卷积层后，网络的输出通道数会发生变化，需要相应地修改后续的定位层和分类层。同时，对 conv4-3 和 conv5-3 进行 BN 归一化处理时，需要根据网络结构中这两个卷积层的索引进行选择。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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