浅谈pytorch卷积核大小的设置对全连接神经元的影响
3*3卷积核与2*5卷积核对神经元大小的设置
#这里kerner_size=2*5 classCONV_NET(torch.nn.Module):#CONV_NET类继承nn.Module类 def__init__(self): super(CONV_NET,self).__init__()#使CONV_NET类包含父类nn.Module的所有属性 #super()需要两个实参，子类名和对象self self.conv1=nn.Conv2d(1,32,(2,5),1,padding=0) self.conv2=nn.Conv2d(32,128,1,1,padding=0) self.fc1=nn.Linear(512,128) self.relu1=nn.ReLU(inplace=True) self.drop1=nn.Dropout(0.5) self.fc2=nn.Linear(128,32) self.relu2=nn.ReLU(inplace=True) self.fc3=nn.Linear(32,3) self.softmax=nn.Softmax(dim=1) defforward(self,x): x=self.conv1(x) x=self.conv2(x) x=x.view(x.size(0),-1) x=self.fc1(x) x=self.relu1(x) x=self.drop1(x) x=self.fc2(x) x=self.relu2(x) x=self.fc3(x) x=self.softmax(x) returnx
主要看对称卷积核以及非对称卷积核之间的计算方式
#这里kerner_size=3*3 classCONV_NET(torch.nn.Module):#CONV_NET类继承nn.Module类 def__init__(self): super(CONV_NET,self).__init__()#使CONV_NET类包含父类nn.Module的所有属性 #super()需要两个实参，子类名和对象self self.conv1=nn.Conv2d(1,32,3,1,padding=1) self.conv2=nn.Conv2d(32,128,1,1,padding=0) self.fc1=nn.Linear(3200,128) self.relu1=nn.ReLU(inplace=True) self.drop1=nn.Dropout(0.5) self.fc2=nn.Linear(128,32) self.relu2=nn.ReLU(inplace=True) self.fc3=nn.Linear(32,3) self.softmax=nn.Softmax(dim=1) defforward(self,x): x=self.conv1(x) x=self.conv2(x) x=x.view(x.size(0),-1) x=self.fc1(x) x=self.relu1(x) x=self.drop1(x) x=self.fc2(x) x=self.relu2(x) x=self.fc3(x) x=self.softmax(x) returnx
针对kerner_size=2*5,padding=0，stride=1以及kerner_size=3*3,padding=1,stride=1二者计算方式的比较如图所示
以上这篇浅谈pytorch卷积核大小的设置对全连接神经元的影响就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。