Pytorch 张量及输入输出计算详细公式

Pytorch 张量及输入输出计算及参数量详细公式

1.张量

一般文本使用三维张量,适合用于RNN和NLP。如20句话,每句话10个单词,每个单词用100个分量的向量表示,得到的Tensor就是shape=[20, 10, 100]。

四维张量,适合用于CNN表示图像。例如100张MNIST数据集的灰度图(通道数为1,如果是RGB图像通道数就是3),每张图高28像素,宽28像素,那么这个Tensor的shape=[100, 1, 28, 28],也就是一个batch的数据维度:[batch_size, channel, height, width]。

2.给定输入计算输出的详细过程

首先给出计算公式

卷积后,池化后尺寸计算公式:
(图像尺寸-卷积核尺寸 + 2填充值)/步长+1
(图像尺寸-池化窗尺寸 + 2
填充值)/步长+1

即:

卷积神将网络的计算公式为:
N=(W-F+2P)/S+1
其中
N:输出大小
W:输入大小
F:卷积核大小
P:填充值的大小
S:步长大小

参数量计算

全连接层:输入x输出 + 1(bias)
卷积层:kernelsize x channel number + 1(bias)
maxpooling: 0 不需要参数

Conv2d

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
几个参数:
in_channels=3:表示的是输入的通道数,直接通过输入的通道的数量来确定。
out_channels:表示的是输出的通道数,设定输出通道数(这个是可以根据自己的需要来设置的)。
kernel_size=12:表示卷积核的大小是12x12的,也就是上面的 F=12。
stride=4:表示的是步长为4,也就是上面的S=4。
padding=2:表示的是填充值的大小为2,也就是上面的P=2。

MaxPool2d

class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
kernel_size(int or tuple) - max pooling的窗口大小
stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size。
pool操作并不改变张量的通道个数。

下面通过一个简单的卷积神经网络来计算详细步骤

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
class ConvNet(nn.Module):
	def __init__(self
  • 1
    点赞
  • 16
    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