成都个人网站开发,网站建设公司的选择,网站做以后怎么修改网站内容,请问做卖东西网站怎么文章目录 图像卷积填充和步幅填充步幅 多输入多输出通道1x1卷积层 图像卷积
卷积原理: 就是将之前的大的图片,定义一个核函数,然后经过移动并运算将图片变小了.也就是将图像压缩提取整合特征值. 这里利用的时乘法.
填充和步幅
填充
在应用多层卷积时#xff0c;我们常常… 文章目录 图像卷积填充和步幅填充步幅 多输入多输出通道1x1卷积层 图像卷积
卷积原理: 就是将之前的大的图片,定义一个核函数,然后经过移动并运算将图片变小了.也就是将图像压缩提取整合特征值. 这里利用的时乘法.
填充和步幅
填充
在应用多层卷积时我们常常丢失边缘像素。 由于我们通常使用小卷积核因此对于任何单个卷积我们可能只会丢失几个像素。 但随着我们应用许多连续卷积层累积丢失的像素数就多了。 解决这个问题的简单方法即为填充padding在输入图像的边界填充元素通常填充元素是 。 import torch
from torch import nn# 为了方便起见我们定义了一个计算卷积层的函数。
# 此函数初始化卷积层权重并对输入和输出提高和缩减相应的维数
def comp_conv2d(conv2d, X):# 这里的11表示批量大小和通道数都是1X X.reshape((1, 1) X.shape)print(X.shape)Y conv2d(X)# 省略前两个维度批量大小和通道return Y.reshape(Y.shape[2:])# 请注意这里每边都填充了1行或1列因此总共添加了2行或2列
conv2d nn.Conv2d(1, 1, kernel_size3, padding1) #
X torch.rand(size(8, 8))
comp_conv2d(conv2d, X).shape步幅
在计算互相关时卷积窗口从输入张量的左上角开始向下、向右滑动。 通俗的来说就是一次运动多少步。 比如我下面移动两步。
# 填充边为1层一次走两步
conv2d nn.Conv2d(1, 1, kernel_size3, padding1, stride2)
comp_conv2d(conv2d, X).shape也可以设置上下和左右走的步长分别是什么设置stride(3, 4)时意味着卷积核在输入数据的宽度横向上每次移动3个像素在高度纵向上每次移动4个像素。
conv2d nn.Conv2d(1, 1, kernel_size(3, 5), padding(0, 1), stride(3, 4))
comp_conv2d(conv2d, X).shape多输入多输出通道
彩色图像具有标准的RGB通道来代表红、绿和蓝。就有三个通道比如下面的输入就是两个通道
1x1卷积层
卷积失去了卷积层的特有能力——在高度和宽度维度上识别相邻元素间相互作用的能力。 其实1x1卷积的唯一计算发生在通道上。 使用1x1卷积核与3个输入通道和2个输出通道的互相关计算.如图
