网站建设 dw,微信api接口,国外比较有名的设计工作室网站,深圳网站建设小程序天安云谷#x1f468;#x1f393;作者简介#xff1a;一位即将上大四#xff0c;正专攻机器学习的保研er #x1f30c;上期文章#xff1a;机器学习深度学习——从全连接层到卷积 #x1f4da;订阅专栏#xff1a;机器学习深度学习 希望文章对你们有所帮… 作者简介一位即将上大四正专攻机器学习的保研er 上期文章机器学习深度学习——从全连接层到卷积 订阅专栏机器学习深度学习 希望文章对你们有所帮助 其实关于卷积的相关内容包括一些实现之前已经介绍过且代码实现过具体大家可以看我以前的这篇文章 机器学习深度学习——torch.nn模块 顺便可以把池化层等等看一看。 下面要介绍卷积的多输入多输出通道这是一个比较重要的内容。 卷积的多输入多输出通道 多输入通道多输出通道1×1卷积层小结 多输入通道
当输入包含多个通道时需要构造一个与输入数据具有相同输入通道数的卷积核以便进行计算。 我们卷积核的每个输入通道包含形状为 k h × k w k_h×k_w kh×kw 的张量。 而我们将所有的张量连结在一个就可以得到一个 c i × k h × k w c_i×k_h×k_w ci×kh×kw 的卷积核。 下面给出两个输入通道的互相关计算的图示 我们实现一下多输入通道互相关运算先定义好相关的函数
import torch
from d2l import torch as d2ldef corr2d_multi_in(X, K):先遍历X和K的第0个维度再把它们加起来return sum(d2l.corr2d(x, k) for x, k in zip(X, K))接着构造与上图相对应的X和K验证输出
X torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])print(corr2d_multi_in(X, K))最终输出结果 tensor([[ 56., 72.], [104., 120.]]) 多输出通道
随着神经网络层数的加深我们常会增加输出通道的维数通过减少空间分辨率以获得更大的通道深度我们可以将每个通道看作对不同特征的响应比如可以分别拿来分辨猫的耳朵、嘴巴、眼睛等等。但是现实上更复杂因为每个通道不是独立学习的而是为了共同使用而优化的。因此多输出通道并不仅是学习多个单通道的检测器。 为了获得多个通道的输出我们可以为每个输出通道创建一个形状为 c i × k h × k w c_i×k_h×k_w ci×kh×kw 的卷积核张量这样卷积核的形状就为 c o × c i × k h × k w c_o×c_i×k_h×k_w co×ci×kh×kw 在互相关运算中每个输出通道先获取所有输入通道再以对应该输出通道的卷积核计算出结果。 如下我们实现一个计算多个通道的输出的互相关函数通过将核张量K与K1K中每个元素加1和K2连接起来构造了一个具有3个输出通道的卷积核。对输入张量X与卷积核张量K执行互相关运算
import torch
from d2l import torch as d2ldef corr2d_multi_in(X, K):先遍历X和K的第0个维度再把它们加起来return sum(d2l.corr2d(x, k) for x, k in zip(X, K))def corr2d_multi_in_out(X, K):# 迭代“K”的第0个维度每次都对输入“X”执行互相关运算。# 最后将所有结果都叠加在一起return torch.stack([corr2d_multi_in(X, k) for k in K], 0)X torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])
K torch.stack((K, K 1, K 2), 0)print(corr2d_multi_in_out(X, K))运行结果 tensor([[[ 56., 72.], [104., 120.]], [[ 76., 100.], [148., 172.]], [[ 96., 128.], [192., 224.]]]) 1×1卷积层
看起来似乎没有多大意义。毕竟卷积的本质是有效提取相邻像素间的相关特征而1×1卷积显然没有这种作用但其仍旧十分流行。 因为使用了最小窗口1×1卷积失去了在高度和宽度维度上识别相邻元素间相互作用的能力其唯一计算实际上发生在通道上。 下面展示使用了具有3个输入通道和2个输出通道的1×1卷积核。其中输入和输出具有相同的高度和宽度。 我们可以使用全连接层来实现1×1卷积注意对输入和输出的数据形状进行调整我们可以顺便验证它在执行1×1卷积时相当于之前实现的互相关函数
import torch
from d2l import torch as d2ldef corr2d_multi_in(X, K):先遍历X和K的第0个维度再把它们加起来return sum(d2l.corr2d(x, k) for x, k in zip(X, K))def corr2d_multi_in_out(X, K):# 迭代“K”的第0个维度每次都对输入“X”执行互相关运算。# 最后将所有结果都叠加在一起return torch.stack([corr2d_multi_in(X, k) for k in K], 0)def corr2d_multi_in_out_1x1(X, K):c_i, h, w X.shapec_o K.shape[0]X X.reshape((c_i, h * w))K K.reshape((c_o, c_i))# 全连接层中的矩阵乘法Y torch.matmul(K, X)return Y.reshape((c_o, h, w))X torch.normal(0, 1, (3, 3, 3))
K torch.normal(0, 1, (2, 3, 1, 1))Y1 corr2d_multi_in_out_1x1(X, K)
Y2 corr2d_multi_in_out(X, K)
assert float(torch.abs(Y1 - Y2).sum()) 1e-6
小结
1、多输入多输出通道可以用来扩展卷积层的模型。 2、当以每像素为基础应用时1×1卷积层相当于全连接层。 3、1×1卷积层通常用于调整网络层的通道数量和控制模型复杂性。
