C/C++教程

PyTorch学习—10.nn中网络层的具体使用

本文主要是介绍PyTorch学习—10.nn中网络层的具体使用,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

文章目录

      • 引言
      • 一、卷积层
        • 1. nn.Conv2d
        • 2.nn.ConvTranspose2d
      • 二、池化层
        • 1. nn.MaxPool2d
        • 2. nn.AvgPool2d
        • 3. nn.MaxUnpool2d
      • 三、线性层
        • 1. nn.Linear
      • 四、激活函数层
        • 1. nn.Sigmoid
        • 2. nn.tanh
        • 3. nn.ReLU


理论知识插眼:深度学习TF—7.卷积神经网络CNN


引言

  前面,我们学习了如何搭建模型,以及在模型搭建过程中用到的容器。这一节,我们介绍网络层的具体使用。

一、卷积层

  下面介绍几个概念:

  • 卷积运算:卷积核在输入信号(图像)上滑动,相应位置上进行乘加。
  • 卷积核:又称为滤波器,过滤器,可认为是某种模式,某种特征。
    在这里插入图片描述
  • 卷积维度:一般情况下,卷积核在几个维度上滑动,就是几维卷积。
    PyTorch中提供了1d、2d、3d的卷积。

1d conv:
在这里插入图片描述
2d conv:
在这里插入图片描述
3d conv:
在这里插入图片描述

上述都是一个卷积核在一个信号上的卷积。如果涉及多个卷积核多个信号的操作,那么应该怎么判断卷积的维度?下面我们以一个三维卷积核实现二维卷积为例
在这里插入图片描述
每个卷积核分别在各自的通道进行卷积操作得到输出值,然后相加再加上偏置才会得到特征图的一个像素值。一个卷积核只在一个二维图像上进行滑动,所以这是二维卷积。为什么它是三维卷积核?正是因为它有多个通道,在多个通道上分别进行卷积。

1. nn.Conv2d

nn.Conv2d(in_channels,
	out_channels,
	kernel_size,
	stride=1,
	padding=0,
	dilation=1,
	groups=1,
	bias=True,
	padding_mode= ' zeros ' )

功能:对多个二维信号进行二维卷积
主要参数:

  • in_channels:输入通道数
  • out_channels:输出通道数,等价于卷积核个数
  • kernel_size:卷积核尺寸
  • stride:步长
  • padding :填充个数,用于保持输入与输出图像的尺寸是匹配的
  • dilation:空洞卷积大小
  • groups:分组卷积设置
  • bias:偏置

尺寸计算公式为:
在这里插入图片描述

2.nn.ConvTranspose2d

  nn.ConvTranspose2d是转置卷积。转置卷积用于对图像进行上采样(UpSample),经常用于图像分割任务。那么,什么是转置卷积?它与正常卷积有什么区别?
如图是正常2d卷积
在这里插入图片描述
假设图像尺寸为 4 ∗ 4 4*4 4∗4,卷积核为 3 ∗ 3 3*3 3∗3,padding=0,stride=1
图像:

这篇关于PyTorch学习—10.nn中网络层的具体使用的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!