Pytorch学习记录（5）卷积操作的介绍 |
您所在的位置：网站首页 › 卷积层操作 › Pytorch学习记录（5）卷积操作的介绍 |
Pytorch学习记录（5）卷积操作的介绍
|
Pytorch学习记录（5）卷积操作的介绍
这篇博文主要在于记录卷积操作的学习过程，包括概念以及具体实战环节。 卷积操作的定义以及意义：卷积操作的动态演示：conv_arithmetic/README.md at master · vdumoulin/conv_arithmetic · GitHub 如果从形象的方式理解卷积的意义，即为进行一次特征“浓缩”，用另一个意思来讲，就是把它抽象化。最后经过很多次的抽象化，你会将原始的矩阵变成一个 1 维乘 1 维的矩阵，这就是一个数字（变成了可以让分类器处理的概率数字，有些像降维作用的意思）。 卷积层的介绍与实现：在PyTorch官网中，详细介绍了常用的卷积操作函数：nn.Conv1d、nn.Conv2d、nn.Conv3d等，其中Conv1d针对一维的向量，Conv2d针对二维的向量，Conv3d针对三维的向量。在图像处理中，Conv2d的使用次数较多，因此本文以Conv2d为重点进行卷积层的介绍。 2.1 卷积层的参数：在官网中关于卷积层的参数，描述如下： Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)in_channels：输入的通道数目 【必选】 out_channels： 输出的通道数目 【必选】 kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】 stride： 卷积每次滑动的步长为多少，默认是 1 【可选】 padding： 设置在所有边界增加 值为 0 的边距的大小（就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】 dilation：控制卷积核之间的间距【可选】 groups：控制输入和输出之间的连接。（不常用）【可选】 bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。【可选】 padding_mode ： 字符串类型，接收的字符串只有 “zeros” 和 “circular”。【可选】 2.2 卷积层的简单实现：当设置DataLoader的参数batch_size=64时，表示一次性加载64张照片，写代码实现imgs和target的读取，并通过tensorboard对于生成的output进行查看，并与input进行对比。 上述代码仍是读取CIFAR10的图像数据，其中值得关注的是原始输入图像的尺寸、输出图像的尺寸，由于卷积操作之后的channels=6，因此需要借助reshape操作将通道数改成3，代码为：output = torch.reshape(output, (-1, 3, 30, 30))。 import torch import torchvision from torch import nn from torch.utils.data import DataLoader from torch.nn import Conv2d from torch.utils.tensorboard import SummaryWriter dataset = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor()) dataloader = DataLoader(dataset, batch_size=64) class Model(nn.Module): def __init__(self): super(Model, self).__init__() self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0) def forward(self, x): x = self.conv1(x) return x model = Model() writer = SummaryWriter("./logs") step = 0 for data in dataloader: imgs, targets = data output = model(imgs) print(imgs.shape) print(output.shape) writer.add_images("input", imgs, step) output = torch.reshape(output, (-1, 3, 30, 30)) writer.add_images("output", output, step) step = step + 1该图为所输入的input，为CIFAR10数据集： 
下图为经过卷积操作之后得到的结果： 
2.3对于卷积层输入input与输出output 的尺寸信息：
可以通过查看Pytorch官网Conv2d — PyTorch 1.13 documentation进行查看，下方放出一个样例作为参考： 
3.总结
本文在了解了卷积操作的具体实现方法之后，对于卷积层的创建进行了实战。卷积层可以有效地实现压缩特征，在对于后续神经网络中实现卷积操作有着重要意义。 |
【本文地址】
今日新闻 |
推荐新闻 |