3*3卷積核與2*5卷積核對神經元大小的設置

#這里kerner_size = 2*5

class CONV_NET(torch.nn.Module): #CONV_NET類繼承nn.Module類

def __init__(self):

super(CONV_NET, self).__init__() #使CONV_NET類包含父類nn.Module的所有屬性

# super()需要兩個實參，子類名和對象self

self.conv1 = nn.Conv2d(1, 32, (2, 5), 1, padding=0)

self.conv2 = nn.Conv2d(32, 128, 1, 1, padding=0)

self.fc1 = nn.Linear(512, 128)

self.relu1 = nn.ReLU(inplace=True)

self.drop1 = nn.Dropout(0.5)

self.fc2 = nn.Linear(128, 32)

self.relu2 = nn.ReLU(inplace=True)

self.fc3 = nn.Linear(32, 3)

self.softmax = nn.Softmax(dim=1)

def forward(self, x):

x = self.conv1(x)

x = self.conv2(x)

x = x.view(x.size(0), -1)

x = self.fc1(x)

x = self.relu1(x)

x = self.drop1(x)

x = self.fc2(x)

x = self.relu2(x)

x = self.fc3(x)

x = self.softmax(x)

return x

主要看對稱卷積核以及非對稱卷積核之間的計算方式

#這里kerner_size = 3*3

class CONV_NET(torch.nn.Module): #CONV_NET類繼承nn.Module類

def __init__(self):

super(CONV_NET, self).__init__() #使CONV_NET類包含父類nn.Module的所有屬性

# super()需要兩個實參，子類名和對象self

self.conv1 = nn.Conv2d(1, 32, 3, 1, padding=1)

self.conv2 = nn.Conv2d(32, 128, 1, 1, padding=0)

self.fc1 = nn.Linear(3200, 128)

self.relu1 = nn.ReLU(inplace=True)

self.drop1 = nn.Dropout(0.5)

self.fc2 = nn.Linear(128, 32)

self.relu2 = nn.ReLU(inplace=True)

self.fc3 = nn.Linear(32, 3)

self.softmax = nn.Softmax(dim=1)

def forward(self, x):

x = self.conv1(x)

x = self.conv2(x)

x = x.view(x.size(0), -1)

x = self.fc1(x)

x = self.relu1(x)

x = self.drop1(x)

x = self.fc2(x)

x = self.relu2(x)

x = self.fc3(x)

x = self.softmax(x)

return x

針對kerner_size=2*5,padding=0，stride=1以及kerner_size=3*3,padding=1,stride=1二者計算方式的比較如圖所示

以上這篇淺談pytorch卷積核大小的設置對全連接神經元的影響就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持我們。

本文標題: 淺談pytorch卷積核大小的設置對全連接神經元的影響

本文地址: http://www.cppcns.com/jiaoben/python/298087.html

總結

以上是生活随笔為你收集整理的python配置核_浅谈pytorch卷积核大小的设置对全连接神经元的影响的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。