学习记录：神经网络之三维卷积conv3d操作（1）

最新推荐文章于 2023-12-01 18:25:46 发布

小跑遨游宇宙

最新推荐文章于 2023-12-01 18:25:46 发布

阅读量550

点赞数

文章标签：神经网络深度学习 pytorch python 算法

本文链接：https://blog.csdn.net/weixin_47247597/article/details/130581881

版权

PyTorch对1个1通道的2x2x2的体积数据，使用一个1x1x1的卷积核进行卷积，输出通道数变为2。

import torch

# 定义输入数据
input_data = torch.randn(1, 1, 2, 2, 2)

print(input_data.shape)  # 输入数据大小为 [1, 1, 2, 2, 2]
print(input_data)

# 定义卷积层
conv_layer = torch.nn.Conv3d(in_channels=1,
                             out_channels=2,
                             kernel_size=1)

# 执行卷积操作
output_data = conv_layer(input_data)

print(output_data.shape)  # 输出数据大小为 [1, 2, 2, 2, 2]
print(output_data)

输出结果：

torch.Size([1, 1, 2, 2, 2])
tensor([[[[[ 0.4288, -0.4255],
           [ 0.7242,  0.5814]],

          [[-0.5070,  0.1907],
           [ 1.1417,  0.2423]]]]])
torch.Size([1, 2, 2, 2, 2])
tensor([[[[[ 0.8344,  0.1135],
           [ 1.0836,  0.9632]],

          [[ 0.0447,  0.6335],
           [ 1.4360,  0.6770]]],


         [[[ 0.1553,  0.9422],
           [-0.1167,  0.0148]],

          [[ 1.0173,  0.3747],
           [-0.5013,  0.3271]]]]], grad_fn=<ConvolutionBackward0>)

对于输入1通道的2x2x2的体积数据，可以说明共有8个元素

-----------------------------------------------------------------------------------------------

[[ 0.4288, -0.4255],
[ 0.7242, 0.5814]] 可以表示体积数据第一层的4个元素

-----------------------------------------------------------------------------------------------

[[-0.5070, 0.1907],
[ 1.1417, 0.2423]] 可以表示体积数据第二层的4个元素

-----------------------------------------------------------------------------------------------

[[[ 0.4288, -0.4255],
[ 0.7242, 0.5814]],

[[-0.5070, 0.1907],
[ 1.1417, 0.2423]]] 表示整个2x2x2的体积数据，也就是8个元素

-----------------------------------------------------------------------------------------------

可以观察到2x2x2的体积数据使用了3个方括号[ ]，代表的是三维数据

而整个输入张量tensor()中有5个[ ]，代表的是五维数据，也就是torch.Size([1, 1, 2, 2, 2])

对于输出2通道的2x2x2的体积数据，可以说明共有16个元素

-----------------------------------------------------------------------------------------------

[[[ 0.8344, 0.1135],
[ 1.0836, 0.9632]],

[[ 0.0447, 0.6335],
[ 1.4360, 0.6770]]] 表示第一个通道的2x2x2的体积数据，共8个元素

-----------------------------------------------------------------------------------------------

[[[ 0.1553, 0.9422],
[-0.1167, 0.0148]],

[[ 1.0173, 0.3747],
[-0.5013, 0.3271]]] 表示第二个通道的2x2x2的体积数据，共8个元素

-----------------------------------------------------------------------------------------------

[[[[ 0.8344, 0.1135],
[ 1.0836, 0.9632]],

[[ 0.0447, 0.6335],
[ 1.4360, 0.6770]]],

[[[ 0.1553, 0.9422],
[-0.1167, 0.0148]],

[[ 1.0173, 0.3747],
[-0.5013, 0.3271]]]] 表示整个2通道的2x2x2的体积数据，也就是16个元素

-----------------------------------------------------------------------------------------------

可以观察到2通道的2x2x2的体积数据使用了4个方括号[ ]，代表的是四维数据

而整个输出张量tensor()中有5个[ ]，代表的是五维数据，也就是torch.Size([1, 2, 2, 2, 2])