赞
踩
卷积层主要使用的有3类,用于处理不同维度的数据
参数 Parameters:
- in_channels(
int
) – 输入信号的通道- out_channels(
int
) – 卷积产生的通道- kerner_size(
int
ortuple
) - 卷积核的尺寸- stride(
int
ortuple
,optional
) - 卷积步长- padding (
int
ortuple
,optional
)- 输入的每一条边补充0的层数- dilation(
int
ortuple
, `optional``) – 卷积核元素之间的间距- groups(
int
,optional
) – 从输入通道到输出通道的阻塞连接数- bias(
bool
,optional
) - 如果bias=True
,添加偏置
class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
一维卷积层。用于计算ECG等一维数据。
input: (N,C_in,L_in) N为批次,C_in即为in_channels,即一批内输入一维数据个数,L_in是是一维数据基数
output: (N,C_out,L_out) N为批次,C_in即为out_channels,即一批内输出一维数据个数,L_out是一维数据基数
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
二维卷积层。用于计算CT断层或MR断层,或二维超声图像,自然图像等二维数据。
- self.conv1 = nn.Conv2d( # 1*28*28 -> 32*28*28
- in_channels=1,
- out_channels=32,
- kernel_size=5,
- stride=1,
- padding=2 #padding是需要计算的,padding=(stride-1)/2
- )
input
: (N,C_in,H_in,W_in) N为批次,C_in即为in_channels,即一批内输入二维数据个数,H_in是二维数据行数,W_in是二维数据的列数output
: (N,C_out,H_out,W_out) N为批次,C_out即为out_channels,即一批内输出二维数据个数,H_out是二维数据行数,W_out是二维数据的列数
- con2 = nn.Conv2d(1,16,5,1,2)
- # con2(np.empty([1,1,28,28])) 只能接受tensor/variable
- con2(torch.Tensor(1,1,28,28))
- con2(Variable(torch.Tensor(1,1,28,28)))
class torch.nn.Conv3d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
三维卷积层。用于计算CT或MR等容积数据,视频数据等三维数据。
input
: (N,C_in,D_in,H_in,W_in)output
: (N,C_out,D_out,H_out,W_out)
在torch.nn.functional下也有卷积层,但是和torch.nn下的卷积层的区别在于,functional下的是函数,不是实际的卷积层,而是有卷积层功能的卷积层函数,所以它并不会出现在网络的图结构中。
参数:
- input – 输入张量的形状 (minibatch x in_channels x iW)
- weight – 过滤器的形状 (out_channels, in_channels, kW)
- bias – 可选偏置的形状 (out_channels)
- stride – 卷积核的步长,默认为1
- >>> filters = autograd.Variable(torch.randn(33, 16, 3))
- >>> inputs = autograd.Variable(torch.randn(20, 16, 50))
- >>> F.conv1d(inputs, filters)
- >>> # With square kernels and equal stride
- >>> filters = autograd.Variable(torch.randn(8,4,3,3))
- >>> inputs = autograd.Variable(torch.randn(1,4,5,5))
- >>> F.conv2d(inputs, filters, padding=1)
- >>> filters = autograd.Variable(torch.randn(33, 16, 3, 3, 3))
- >>> inputs = autograd.Variable(torch.randn(20, 16, 50, 10, 20))
- >>> F.conv3d(inputs, filters)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。