怎么做类似站酷的网站,北京的招聘网站有哪些,泉州百度搜索推广,wordpress 当前文章所属分类转置卷积
转置卷积#xff0c;顾名思义#xff0c;通过名字我们应该就能看出来#xff0c;其作用和卷积相反#xff0c;它可以使得图像的像素增多 上图的意思是#xff0c;输入是22的图像#xff0c;卷积核为22的矩阵#xff0c;然后变换成3*3的矩阵 代码如下
import…转置卷积
转置卷积顾名思义通过名字我们应该就能看出来其作用和卷积相反它可以使得图像的像素增多 上图的意思是输入是22的图像卷积核为22的矩阵然后变换成3*3的矩阵 代码如下
import torch
from torch import nn
from d2l import torch as d2ldef trans_conv(X, K): #X是原始矩阵K是转置卷积核h, w K.shapeY torch.zeros((X.shape[0] h - 1, X.shape[1] w - 1)) # 转置卷积后的大小为x.shape[0] k.shape[0] - 1 .........for i in range(X.shape[0]):for j in range(X.shape[1]):Y[i: ih, j: jw] X[i, j] * Kreturn Y
X torch.tensor([[0.0, 1.0], [2.0, 3.0]])
K torch.tensor([[0.0, 1.0], [2.0, 3.0]])
trans_conv(X, K)传统输入可能都是四维使用API一样的
# 四维的话调用API一样的
X, K X.reshape(1, 1, 2, 2), K.reshape(1, 1, 2, 2)
tconv nn.ConvTranspose2d(1, 1, kernel_size2, biasFalse)
tconv.weight.data K
tconv(X)与常规卷积不同在转置卷积中填充被应用于的输出常规卷积将填充应用于输入。 例如当将高和宽两侧的填充数指定为1时转置卷积的输出中将删除第一和最后的行与列。 换句话说转置卷积的padding是删除输出的一圈
X, K X.reshape(1, 1, 2, 2), K.reshape(1, 1, 2, 2)
tconv nn.ConvTranspose2d(1, 1, kernel_size2, padding1, biasFalse)
tconv.weight.data K
tconv(X)如果步幅为2的话那么就会是一个4*4的矩阵
# 步幅为2的话那就是4*4了
X, K X.reshape(1, 1, 2, 2), K.reshape(1, 1, 2, 2)
tconv nn.ConvTranspose2d(1, 1, kernel_size2, stride2, biasFalse)
tconv.weight.data K
tconv(X)对于多个输入和输出通道转置卷积与常规卷积以相同方式运作。 假设输入有ci个通道且转置卷积为每个输入通道分配了一个kwkh的卷积核张量。 当指定多个输出通道时每个输出通道的卷积核shape为cikw*kh
接下来我们可能会想转置卷积为何以矩阵变换命名呢我们先来看看矩阵乘法如何实现卷积 这是传统卷积
X torch.arange(9.0).reshape(3, 3)
K torch.tensor([[1.0, 2.0], [3.0, 4.0]])
Y d2l.corr2d(X, K)
Y接下来通过矩阵乘法计算
# 先将K 写成稀疏权重矩阵
def kernel2matrix(K):k, W torch.zeros(5), torch.zeros((4, 9)) # W是4*9的k[:2], k[3:5] K[0, :], K[1, :]W[0, :5], W[1, 1:6], W[2, 3:8], W[3, 4:] k, k, k, kreturn W
W kernel2matrix(K)
W# 然后就是矩阵乘法
Y torch.matmul(W, X.reshape(-1)).reshape(2, 2)而如果我们用W的转置*Y那就是原来的Y的转置卷积了
# 同样的我们可以使用矩阵乘法来实现转置矩阵 Y 是卷积后的值
Z trans_conv(Y, K)
Z torch.matmul(W.T, Y.reshape(-1)).reshape(3, 3)
