如何在pytorch中定义特定数量的卷积核/滤波器?

5ktev3wc  于 12个月前  发布在  其他
关注(0)|答案(1)|浏览(127)

在pytorch网站上,他们的教程中有以下模型

class BasicCNN(nn.Module):
    def __init__(self):
        super(BasicCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = x.permute(0, 3, 1, 2)
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

字符串
这个模型有多少个内核/过滤器?是两个吗-例如conv 1和conv 2。如何通过指定数量轻松创建许多过滤器?例如100个过滤器。
谢谢你,谢谢

rkue9o1l

rkue9o1l1#

你的问题有点模棱两可,但让我试着回答一下。
通常,在卷积层中,我们将滤波器的个数设置为out_channels的个数,但这并不直接,下面我们根据您提供的例子进行讨论。
卷积层参数是什么?

model = BasicCNN()
for name, params in model.named_parameters():
    if 'conv' in name:
        print(name, params.size())

字符串
输出量:

conv1.weight torch.Size([6, 3, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])


解释
让我们考虑上述模型中的conv1层。我们可以说,有6个形状为3 x 5 x 5的滤波器,因为我们选择了2d卷积,并且输入通道的数量为3。因此,总共有6个核。
这里,该模型的输入是3d类图像。可以考虑,我们具有形状为W x H的图像,并且有3个通道(RGB)用于图像。因此,我们可以将表示图像的3dTensor馈送到该模型。
现在回到您的问题,“如何通过指定数量来轻松创建多个滤镜?例如100个滤镜。"。如果您只想在每个输入通道中使用100个滤镜,那么只需在conv1中设置100,而不是在6中设置100。这是计算机视觉中的典型做法!
但您绝对可以根据需要修改体系结构并确定最佳设置。

相关问题