欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

PyTorch基礎(chǔ)之torch.nn.Conv2d中自定義權(quán)重問題

 更新時間：2023年02月01日 15:30:00   作者：gy笨瓜  
這篇文章主要介紹了PyTorch基礎(chǔ)之torch.nn.Conv2d中自定義權(quán)重問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

torch.nn.Conv2d中自定義權(quán)重

torch.nn.Conv2d函數(shù)調(diào)用后會自動初始化weight和bias，本文主要涉及

如何自定義weight和bias為需要的數(shù)均分布類型:

torch.nn.Conv2d.weight.data以及torch.nn.Conv2d.bias.data為torch.tensor類型，因此只要對這兩個屬性進行操作即可。

【sample】

以input_channels = 2, output_channels = 1 為例

In [1]: import torch
In [2]: import torch.nn as nn

In [3]: conv = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=3)

# 此時weight以及bias已由nn.Conv2d初始化
conv.weight, conv.bias
Out[4]: 
(Parameter containing:
 tensor([[[[-0.0335,  0.0855, -0.0708],
           [-0.1672,  0.0902, -0.0077],
           [-0.0838, -0.1539, -0.0933]],
 
          [[-0.0496,  0.1807, -0.1477],
           [ 0.0397,  0.1963,  0.0932],
           [-0.2018, -0.0436,  0.1971]]]], requires_grad=True),
 Parameter containing:
 tensor([-0.1963], requires_grad=True))

# 手動設(shè)定
# conv.weight.data 以及 conv.bias.data屬性為torch.tensor
# 因此只要獲取conv.weight.data以及conv.bias.data屬性，后續(xù)調(diào)用torch.tensor的不同方法即可進行修改
# 例如：全部修改為0
In [5]: conv.weight.data.zero_(), conv.bias.data.zero_()

In [6]: conv.weight, conv.bias
Out[6]: 
(Parameter containing:
 tensor([[[[0., 0., 0.],
           [0., 0., 0.],
           [0., 0., 0.]],
 
          [[0., 0., 0.],
           [0., 0., 0.],
           [0., 0., 0.]]]], requires_grad=True),
 Parameter containing:
 tensor([0.], requires_grad=True))

torch.nn.Conv2d()用法講解

本文是深度學(xué)習(xí)框架 pytorch 的API ： torch.nn.Conv2d() 函數(shù)的用法。介紹了 torch.nn.Conv2d() 各個參數(shù)的含義和用法，學(xué)會使用 pytorch 創(chuàng)建 卷積神經(jīng)網(wǎng)絡(luò)。

用法

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

參數(shù)

  • in_channels：輸入的通道數(shù)目 【必選】
  • out_channels：輸出的通道數(shù)目 【必選】
  • kernel_size：卷積核的大小，類型為int 或者元組，當卷積是方形的時候，只需要一個整數(shù)邊長即可，卷積不是方形，要輸入一個元組表示 高和寬?！颈剡x】
  • stride：卷積每次滑動的步長為多少，默認是 1 【可選】
  • padding：設(shè)置在所有邊界增加 值為 0 的邊距的大?。ㄒ簿褪窃趂eature map 外圍增加幾圈 0 ），例如當 padding =1 的時候，如果原來大小為 3 × 3 ，那么之后的大小為 5 × 5 。即在外圍加了一圈 0 ?！究蛇x】
  • dilation：控制卷積核之間的間距（什么玩意？請看例子）【可選】

如果我們設(shè)置的dilation=0的話，效果如圖：（藍色為輸入，綠色為輸出，卷積核為3 × 3）

如果設(shè)置的是dilation=1，那么效果如圖：（藍色為輸入，綠色為輸出，卷積核仍為 3 × 3 。）

但是這里卷積核點與輸入之間距離為1的值相乘來得到輸出。

  • groups：控制輸入和輸出之間的連接。（不常用）【可選】

舉例來說：

比如 groups 為1，那么所有的輸入都會連接到所有輸出

當 groups 為 2的時候，相當于將輸入分為兩組，并排放置兩層，每層看到一半的輸入通道并產(chǎn)生一半的輸出通道，并且兩者都是串聯(lián)在一起的。這也是參數(shù)字面的意思：“組” 的含義。

需要注意的是，in_channels 和 out_channels 必須都可以整除 groups，否則會報錯（因為要分成這么多組啊，除不開你讓人家程序怎么辦？）

  • bias： 是否將一個 學(xué)習(xí)到的 bias 增加輸出中，默認是 True ?！究蛇x】
  • padding_mode ： 字符串類型，接收的字符串只有 “zeros” 和 “circular”?！究蛇x】

注意：參數(shù) kernel_size，stride，padding，dilation 都可以是一個整數(shù)或者是一個元組，一個值的情況將會同時作用于高和寬 兩個維度，兩個值的元組情況代表分別作用于 高 和 寬 維度。

相關(guān)形狀

示例

入門學(xué)習(xí)者請不要過度關(guān)注某一些細節(jié)，建立一個簡單的卷積層使用這個 API 其實很簡單，大部分參數(shù)保持默認值就好，下面是簡單的一個示例，創(chuàng)建一個簡單的卷積神經(jīng)網(wǎng)絡(luò)：

class CNN(nn.Module):
    def __init__(self,in_channels:int,out_channels:int):
        """
        創(chuàng)建一個卷積神經(jīng)網(wǎng)絡(luò)
        網(wǎng)絡(luò)只有兩層
        :param in_channels: 輸入通道數(shù)量
        :param out_channels: 輸出通道數(shù)量
        """
        super(CNN).__init__()
        self.conv1=nn.Conv2d(in_channels,10,3,stride=1,padding=1)
        self.pool1=nn.MaxPool2d(kernel_size=2,stride=1)
        self.conv2=nn.Conv2d(10,out_channels,3,stride=1,padding=1)
        self.pool2=nn.MaxPool2d(kernel_size=2,stride=1)
    def forward(self,x):
        """
        前向傳播函數(shù)
        :param x:  輸入，tensor 類型
        :return: 返回結(jié)果
        """
        out=self.conv1(x)
        out=self.pool1(out)
        out=self.conv2(out)
        out=self.pool2(out)
        return out

總結(jié)

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

相關(guān)文章

最新評論