快捷導(dǎo)航

Python深度學(xué)習(xí)pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道

更新時(shí)間：2021年10月11日 14:20:15 作者：Supre_yuan

這篇文章主要為大家介紹了Python深度學(xué)習(xí)中pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道的詳解有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步

雖然每個(gè)圖像具有多個(gè)通道和多層卷積層。例如彩色圖像具有標(biāo)準(zhǔn)的RGB通道來指示紅、綠和藍(lán)。但是到目前為止，我們僅展示了單個(gè)輸入和單個(gè)輸出通道的簡(jiǎn)化例子。這使得我們可以將輸入、卷積核和輸出看作二維張量。

當(dāng)我們添加通道時(shí)，我們的輸入和隱藏的表示都變成了三維張量。例如，每個(gè)RGB輸入圖像具有 3 × h × w 的形狀。我們將這個(gè)大小為3的軸稱為通道（channel）維度。在本節(jié)中，我們將更深入地研究具有多輸入和多輸出通道的卷積核。

多輸入通道

當(dāng)輸入包含多個(gè)通道時(shí)，需要構(gòu)造一個(gè)與輸入數(shù)據(jù)具有相同輸入通道數(shù)目的卷積核，以便與輸入數(shù)據(jù)進(jìn)行互相關(guān)計(jì)算。

在這里插入圖片描述

多輸出通道

到目前為止，不論有多少輸入通道，我們還只有一個(gè)輸出通道。然而，每一層有多個(gè)輸出通道是至關(guān)重要的。
在最流行的神經(jīng)網(wǎng)絡(luò)架構(gòu)中，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，我們常會(huì)增加輸出通道的維數(shù)，通過減少空間分辨率以獲得更大的通道深度。
直觀地說，我們可以將每個(gè)通道看作是對(duì)不同的特征的相應(yīng)。

1×1卷積層

1 × 1卷積，這看起來似乎沒有多大意義。畢竟，卷積的本質(zhì)是有效提取相鄰像素間的相關(guān)特征，而 1 × 1卷積顯然沒有此作用。盡管如此， 1 × 1 仍然十分流行，時(shí)常包含在復(fù)雜深層網(wǎng)絡(luò)的設(shè)計(jì)中。

因?yàn)槭褂昧俗钚〈翱冢?1 × 1 卷積失去了卷積層的特有能力——在高度核寬度維度上，識(shí)別相鄰元素間相互作用的能力。其實(shí)， 1 × 1 卷積的唯一計(jì)算發(fā)生在通道上。

下圖展示了使用 1 × 1 卷積核與3個(gè)輸入通道和2個(gè)輸出通道的互相關(guān)計(jì)算。這里輸入和輸出具有相同的高度和寬度，輸出中的每個(gè)元素都是從輸入圖像中的同一位置的元素的線性組合。我們可以將 1 × 1 卷積層看作是在每個(gè)像素位置應(yīng)用的全連接層。

在這里插入圖片描述

以上就是Python深度學(xué)習(xí)pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道的詳細(xì)內(nèi)容，更多關(guān)于pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: