深度之眼PyTorch训练营第二期 ---7、nn网络层--卷积层

　　

一、1d/2d/3d卷积

• 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。

 

卷积过程类似于用一个模板去图像上寻找与他相似的区域，与卷积核模式越相似，激活值越高，从而实现特征提取

AlexNet卷积核可视化，发现卷积核学习到的是边缘，条纹，色彩这一些细节模式

• 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

 

二、卷积-nn.Conv2d

• nn.Conv2d  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
  • 　　dilation：空调卷积大小
  • 　　groups：分组卷积设置
  • 　　bias：偏置
• 尺寸计算：
  • 　　简化版：
  • 　　完整版：

三、转置卷积-nn.ConvTranspose

转置卷积又称反卷积和部分跨越卷积，用于对图像进行上采样。

• 为什么成为转置卷积？
  • 　　正常卷积：假设图像尺寸为4*4，卷积核为3*3，padding=0，stride=1

　　　　　　　　　　图像：I_16*1，卷积核：K_16*4，输出：O_16*1 = K_16*4 * I_4*1

• • 　　转置卷积：假设图像尺寸为2*2，卷积核为3*3，padding=0，stride=1 

                                    图像：I_4*1  卷积核：K_16*4 输出：O_16*1 = K_16*4 * I_4*1

　　

来源：https://www.cnblogs.com/cola-1998/p/11810041.html