动手学深度学习——卷积层里的多个输入和输出通道_输入通道有三个,输出通道只有一个,怎么变成三个

 
import torch
from torch import nn
import sys
sys.path.append("..")
import d2lzh_pytorch as d2l
"""多输入通道
实现含多个输入通道的互相关运算。我们只需要对每个通道做互相关运算，然后通过add_n函数来进行累加
"""
def corr2d_multi_in(X, K):
 # 沿着X和K的第0维（通道维）分别计算再相加
   res = d2l.corr2d(X[0, :, :], K[0, :, :])
   for i in range(1, X.shape[0]):
        res += d2l.corr2d(X[i, :, :], K[i, :, :])
   return res
 
#构造数组x和数组k来验证互相关运算的输出
X = torch.tensor([[[0, 1, 2], [3, 4, 5], [6, 7, 8]],[[1, 2, 3], [4, 5, 6], [7, 8, 9]]])
K = torch.tensor([[[0, 1], [2, 3]], [[1, 2], [3, 4]]])
print(corr2d_multi_in(X, K))
 
"""多输出通道
实现一个互相关运算函数来计算多个通道的输出
"""
def corr2d_multi_in_out(X, K):
 # 对K的第0维遍历，每次同输⼊X做互相关计算。所有结果使⽤stack函数合并在⼀起
      return torch.stack([corr2d_multi_in(X, k) for k in K])
K = torch.stack([K, K + 1, K + 2]) #构成一个通道数为三的卷积核
print(K.shape)
#此时在输出有三个通道
print(corr2d_multi_in_out(X, K))
 
"""1x1卷积层
窗口大小为1x1的多通道卷积层，输⼊和输出具有相同的⾼和宽。输出中的每个元素来⾃输⼊中在⾼和宽上相同位置的元素在不同通道之间的按权᯿累加。
假设我们将通道维当作特征维，将⾼和宽维度上的元素当成数据样本，那么 卷积层的作⽤与全连接层等价。
"""
#使用全连接层中的举矩阵乘法来实现1x1卷积。
def corr2d_multi_in_out_1x1(X, K):
   c_i, h, w = X.shape
   c_o = K.shape[0]
   X = X.view(c_i, h * w)
   K = K.view(c_o, c_i)
   Y = torch.mm(K, X) # 全连接层的矩阵乘法
   return Y.view(c_o, h, w)
 
X = torch.rand(3, 3, 3)
K = torch.rand(2, 3, 1, 1)
Y1 = corr2d_multi_in_out_1x1(X, K)
Y2 = corr2d_multi_in_out(X, K)
print((Y1 - Y2).norm().item() < 1e-6)