Pytorch學習 - Task5 PyTorch卷積層原理和使用

• • 1. 卷積層
  • • （1）介紹 （torch.nn下的）
    • • 1) class torch.nn.Conv1d() 一維卷積層
      • 2) class torch.nn.Conv2d() 二維卷積層
      • • 卷積尺寸的計算
        • • padding的兩種方式
          • 空洞卷積
          • 簡化版尺寸計算公式：
          • 完整版尺寸計算公式：
      • 3) class torch.nn.Conv3d() 三維卷積層
    • （2） 介紹 （torch.nn.functional下的）
    • • 區別：
      • 1）torch.nn.functional.conv1d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
      • 2）torch.nn.functional.conv2d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
      • 3) torch.nn.functional.conv3d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
      • • 轉置卷積
        • • 尺寸計算公式
  • 2. 卷積網絡示例
  • 3. 任務

參考鏈接1：
參考鏈接2：
參考鏈接3：

1. 卷積層

（1）介紹 （torch.nn下的）

主要有三種:1. class torch.nn.Conv1d() 一維卷積層，用于計算一維數據2. class torch.nn.Conv2d() 二維卷積層3. class torch.nn.Conv3d() 三維卷積層參數及含義 in_channels(int) 輸入信號的通道 out_channels(int) 卷積產生的通道 kernel_size(int, tuple) 卷積核的尺寸 stride(int or tuple,optional) 卷積步長 padding(int or tuple,optional) 輸入的每一條邊補充0的層數 dilation(int or tuple,optional) 卷積核元素之間的間距 groups(int,optional) 從輸入通道到輸出通道的阻塞連接數 bias(bool,optional) 如果bias=True，添加偏置

1) class torch.nn.Conv1d() 一維卷積層

class torch.nn.Conv1d(in_channels,out_channels,kernel_size,stride=1,padding=0dilation=1,groups=1,bias=True)
input(N,C_in,L_in) N為batch_size,C_in為in_channels,即一批內輸入一維數據個數，L_in是一維數據基數
output(N,C_out,L_out) N為batch_size,C_out為out_channels,即一批內輸出一維數據個數，L_out是一維數據基數
圖示：

2) class torch.nn.Conv2d() 二維卷積層

圖示：

self.conv1 = nn.Conv2d( in_channels = 1, out_channels = 32, kernel_size = 5, stride = 1, padding=2, # padding是需要計算的 padding=(stride-1)/2 # 填充寬度，主要是為了調整輸出的特征圖大小，一般把padding設置成合適的值之后，保持輸入和輸出的圖像尺寸不變 dilation=1, # 空洞卷積大小，默認為1，這時時標準卷積，常用于圖像分割任務中，主要是為了提升感受野 groups=1,# 卷積分組設置，主要是為了模型的輕量化，如在shuffleNet,MobileNet,SqueezeNet中使用 bias=True, # 偏置 )input: (N,C_in,H_in,W_in) N為批次，C_in即為in_channels，即一批內輸入二維數據個數，H_in是二維數據行數，W_in是二維數據的列數 output: (N,C_out,H_out,W_out) N為批次，C_out即為out_channels，即一批內輸出二維數據個數，H_out是二維數據行數，W_out是二維數據的列數

卷積尺寸的計算

padding的兩種方式

1）Valid 是丟棄的方法，例如input_width=7,kernel_width=5,stride=3，只允許滑動一次，多余的元素丟掉。

2）Same是補全的方法，例如下圖允許滑動3次但是要補4個元素，左邊2個0，右邊2個0，這種方法不會拋棄邊緣信息。【如何計算填充數量呢？】

注：輸入的數據為圖片時，通常為彩色圖片（RGB三通道），也就是說輸入的維度是[圖片數，圖片高，圖片寬，通道數]

空洞卷積

空洞卷積是在卷積過程中，在卷積核元素之間塞入空格，如下圖所示：

這里引入了一個新的超參數d，(d-1)的值則為塞入的空格數，假定原來的卷積核大小為k，那么塞入了(d-1)個空格后的卷積核大小n為 n=k+(k-1)(d-1)

簡化版尺寸計算公式：

這里不考慮空洞卷積，設圖片大小為i*i ，卷積核大小為f，stride為s，padding的像素數為p，圖片經過卷積的尺寸是

• 當填充方式為 VALID 時，p 值等于 0，代入相應的 i，f，p，s 就可以相應的計算出 o 值了。
• 當填充方式為 SAME 時，步長 s 為 1 時，輸出的 o == i，我們則可以計算出相應的 P 值為 p = (f-1) / 2

完整版尺寸計算公式：

完整的計算包括了空洞卷積
進而，假定輸入空洞卷積的大小為i，步長為s，空洞卷積后特征圖大小o的計算公式為

3) class torch.nn.Conv3d() 三維卷積層

圖示：

input: (N,C_in,D_in,H_in,W_in) output: (N,C_out,D_out,H_out,W_out)

（2） 介紹 （torch.nn.functional下的）

區別：

torch.nn.functional下的卷積層和torch.nn下的卷積層的區別在于，functional下的是函數，不是實際的卷積層，而是有卷積層功能的卷積層函數，所以它并不會出現在網絡的圖結構中。

1）torch.nn.functional.conv1d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)

參數： input -輸入張量的形狀(minibatch x in_channels ) weight - 過濾器的形狀(out_channels,in_channels,kw) bias - 可選偏置的形狀 out_channels stride -卷積核的步長，默認為1 用法： filters = autograd.Variable(torch.randn(33,16,3)) inputs = autograd.Variable(torch.randn(20,16,50)) F.conv1d(inputs,filters)

2）torch.nn.functional.conv2d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)

filters = autograd.Variable(torch.randn(8,4,3,3)) inputs = autograd.Variables(torch.randn(1,4,5,5)) F.conv2d(inputs,filters,padding=1)

3) torch.nn.functional.conv3d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)

filters = autograd.Variable(torch.randn(33,16,3,3,3)) inputs = autograd.Variables(torch.randn(20,16,50,10,20)) F.conv2d(inputs,filters)

轉置卷積

圖示：

尺寸計算公式

參考鏈接4：

2. 卷積網絡示例

3. 任務

步驟2：計算下如下卷積層的參數量

nn.Conv2d(in_channels=1,out_channels=32,kernel_size=5,stride=1,padding=2)

輸出圖片大小 o = (1-32)/1 + 1
參數量：5 * 5 * 32 * 1 + 32

總結

以上是生活随笔為你收集整理的Pytorch学习 - Task5 PyTorch卷积层原理和使用的全部內容，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。