)
#灵感be like 酒品见人品 还得看特殊时刻的状态一、Convolution卷积1.官网主要关注二维2d的 Conv2d — PyTorch 2.13 documentationclasstorch.nn.Conv2d(in_channels,out_channels,kernel_size,stride1,padding0,dilation1,groups1,biasTrue,padding_modezeros,deviceNone,dtypeNone)主要参数到dilation为止2.两篇文献解释卷积2d灰度图像只有一个通道卷积核kernel卷积操作卷积核和图像像素进行对应位相乘后 再相加卷积核一点点移动卷积操作之后的结果input channel和output channel11个输入通道 想得到4个输出通道的需要4个卷积核来操作23个通道输入想得到4个通道输出需要3*412个卷积核来操作(4组 每组3个 卷积核R通道和卷积核A进行卷积操作GBBC 相加之后得到最后的Kernel size卷积核大小通常3*3 这个是5*2Strides步长比如S(1,3)先纵向Padding填充通常是0的黑色比如下图原本图像H*W7*7现在Padding填充是1×1则图像变成H*W9*9输入通道2输出通道1卷积核Kernel是3×3Padding填充是1×1步长S纵向横向都是1膨胀dilation也就是像素间隔也是1×1Dilation空洞卷积dilation膨胀率就是卷积核内部各个像素点之间的“间隔距离”。默认dilation1表示像素点之间没有间隔紧挨着就是最普通的卷积。比如下图D42就是H高度方向间隙为4W宽度方向间隙为2最后输出特征图有计算公式的卷积核kernel size一般是奇数比如kernel size53就是高为5宽为31*1是改变通道数目3*3和5*5是提取特征的验证一下-可视化Transposed Conv转置卷积是一种“逆向”的卷积操作它的核心作用就是把一个【小尺寸的特征图】放大成【大尺寸的特征图】上采样nn.Unfold对输入进行一个折叠
#灵感be like 酒品见人品 还得看特殊时刻的状态一、Convolution卷积1.官网主要关注二维2d的 Conv2d — PyTorch 2.13 documentationclasstorch.nn.Conv2d(in_channels,out_channels,kernel_size,stride1,padding0,dilation1,groups1,biasTrue,padding_modezeros,deviceNone,dtypeNone)主要参数到dilation为止2.两篇文献解释卷积2d灰度图像只有一个通道卷积核kernel卷积操作卷积核和图像像素进行对应位相乘后 再相加卷积核一点点移动卷积操作之后的结果input channel和output channel11个输入通道 想得到4个输出通道的需要4个卷积核来操作23个通道输入想得到4个通道输出需要3*412个卷积核来操作(4组 每组3个 卷积核R通道和卷积核A进行卷积操作GBBC 相加之后得到最后的Kernel size卷积核大小通常3*3 这个是5*2Strides步长比如S(1,3)先纵向Padding填充通常是0的黑色比如下图原本图像H*W7*7现在Padding填充是1×1则图像变成H*W9*9输入通道2输出通道1卷积核Kernel是3×3Padding填充是1×1步长S纵向横向都是1膨胀dilation也就是像素间隔也是1×1Dilation空洞卷积dilation膨胀率就是卷积核内部各个像素点之间的“间隔距离”。默认dilation1表示像素点之间没有间隔紧挨着就是最普通的卷积。比如下图D42就是H高度方向间隙为4W宽度方向间隙为2最后输出特征图有计算公式的卷积核kernel size一般是奇数比如kernel size53就是高为5宽为31*1是改变通道数目3*3和5*5是提取特征的验证一下-可视化Transposed Conv转置卷积是一种“逆向”的卷积操作它的核心作用就是把一个【小尺寸的特征图】放大成【大尺寸的特征图】上采样nn.Unfold对输入进行一个折叠
