卷积的理解

input的格式:batch, channel, width, height

  • batch即为configuration中的batch size, 每一次从dataloader中取出来的数量
  • channel:也被称为feature map, 图片通道的数量,MNIST黑白的为单通道,彩色图片为3通道RGB, 经过卷积可以由更多的channel,由核的个数决定
  • width和height为图片的宽和高

卷积的直观理解

  • Conv2d可以直接控制channel的数量的改变,但是图像的大小的变化需要自己来根据kernel的大小还有padding,stride来实际计算,
    kernel = 3*3会减2,kernel = 4*4会减3

  • 卷积可以理解为:图片不断变小(如果没有padding, stride的话),然后channel也即feature map的数量不断改变

  • 因为是一层叠一层,所以Conv2d的前两个参数input_channel和output_channel会有顶针的形式出现:(a,b), (b,c),(c,d)最后图片的channel的数量, 由a变为了d

  • 下面的例子就是从nc(原始的channel的通道),到ndf,又经过了(ndf,ndf*2),(ndf*2,ndf*4)…最后变成了1

卷积代码实例:torch.nn.Conv2d

  • Conv2d的参数:input_channel,output_channel,kernel_size, stride, padding,…
    在这里插入图片描述

  • 来自pytorch dcgan tutorial的卷积代码: 注意nn.Conv2d部分:

class Discriminator(nn.Module):    
	def __init__(self, ngpu):        
		super
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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