PyTorch笔记 - Convolution卷积运算的原理 (3)

最新推荐文章于 2023-12-12 10:38:54 发布
最新推荐文章于 2023-12-12 10:38:54 发布
阅读量880 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 大模型 (LLM) 文章标签： pytorch 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/caroline_wendy/article/details/126265676
本文深入探讨了PyTorch中卷积运算的原理，涉及5个关键参数：input、kernel、bias、stride和padding。强调了在计算output时，padding已在input中考虑，不需要额外增加。通过行向量与列向量相乘的方式解释了矩阵乘法在卷积中的作用，并介绍了使用torch.flatten、numel和reshape等函数进行操作的方法。文章还比较了flatten input版本与直接矩阵相乘的效率优势，并探讨了在处理batchsize和channel维度时的二维卷积实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

卷积操作包括5个参数：input、kernel、bias、stride、padding

  • input已包括padding，计算ouput时，不要再加上2*padding
  • output的索引是i/stride，j/stride，因为i和j的步长是stride
def matrix_multiplication_for_conv2d(input, kernel, bias=0, stride=1, padding=0<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
PyTorch笔记 - Convolution卷积运算的原理 (1)
AGI
08-09 1222
元素：input size、kernel size、stride、padding、group、dilation(膨胀)计算方法：F.conv2d、input展开+矩阵相乘、kernel展开+矩阵相乘。卷积和信号互相关类似，对于一张图像，卷积核沿着图像的不同区域，滑动相乘。Input Feature Map，特征图，4x4。bias是标量，卷积之后的再加上标量。Z字型移动，从左到右，从上到下。Kernel，卷积核，3x3。用途：局部建模、下采样。............
PyTorch笔记 - Convolution卷积运算的原理 (4)
AGI
08-10 870
把5x5的Input转换为25x1，将3x3的kernel，也转换为25x1的kernel，其他位置进行填充0，通过kernel matrix，提升特征图尺寸。通过对kernel进行展开，来实现二维卷积，并推导出转置卷积，不考虑batch和channel。nn.ConvTranspose2d转置卷积。版本，可以通过unfold实现。...
【Pytorch】Transposed Convolution
最新发布
bryant_meng
12-12 367
简单的实验，输入 MNIST 原始图片，conv+max pooling 下采样，maxunpooling+transposed conv 回原图，看看效果。在使用 MaxUnpool 的时候要特别注意, 需要在 maxpool 的时候保存 indices. 否则会报错。上述过程反过来，输入的一个数值与输出的 9 个数值有关。矩阵乘可以看到，输入的每个值影响到了输出的 9 个值。MNIST 多图的可视化，可以借鉴借鉴，核心代码为。输出的每个结果和输入的 9 个数值有关系。更直观的写成如下展开的矩阵乘形式。
2.查看conv卷积的函数实现过程,原理,试用c语言编写调试.,西南科技大学信号与系实验报告.doc...
weixin_39900468的博客
05-20 339
西南科技大学信号与系实验报告信号与系统实验报告实验名称：信号与系统实验实验地点：xxxxxxxxxxxxxxxxx软件版本：MATLAB7.0实验时间： 2013.xx.xx —2013.xx.xx学号： 20xxxxxx姓名： xxxx一、实验目的1.掌握用matlab软件产生基本信号的方法。2.应用matlab软件实现信号的加，减，乘，反折，移位 ，尺度变换及卷积运算。二、实验原理...
pytorch文档阅读（二）torch.nn.Convolution layers
weixin_41680653的博客
06-26 457
1.模块功能简介 这个模块就是torch为我们设计好的一些层结果，比如我想给网络加一个卷积层，直接用这个模块里的函数就可以实现，而不像低级语言需要自己编写层间的矩阵乘法以及变量的储存等工作，极大提高了网络搭建的效率。 一行代码就可以给网络添加一个二维卷积层： self.conv1 = nn.Conv2d(3, 6, 5) Convolution layers模块包含的子模块 ...
pytorch中Conv1d、Conv2d与Conv3d详解
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 3万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
PyTorch笔记 - Convolution卷积运算的原理 (2)
AGI
08-10 445
卷积操作示意图：蓝色是input feature map = 5x5、深蓝色是kernel = 3x3、绿色是output feature map = 3x3、stride是1，pad是0、O = (I-K+2P)/S+1，即(5-3+0)/1+1 = 3
PyTorch笔记 - Convolution卷积运算的原理 (5)
AGI
08-15 426
DilatedConv、GroupConv，膨胀卷积、组卷积。当dilation > 1时，卷积核不紧凑。当group>1时，分组卷积，再进行合。
Pytorch(五)：神经网络之 torch.nn——Convolution Layers
weixin_41936775的博客
06-12 1549
上一篇文章记录了 Pytorch 用于构建神经网络的容器，并且提到 一个神经网络模块是由其他子模块嵌套而成的结构，常用的就是卷积、池化等等，所以这篇简单介绍下 torch.nn 中的卷积类。 目录
Pytorch实现Convolutional Neural Networks卷积神经网络
weixin_44201353的博客
07-03 285
我们选择Miniplace作为数据集,包含了120K 100种类别的图片 图片原尺寸为128x128，为了方便预测，我们将其压缩为32x32 在这个例子里，我们使用Ppytorch搭建了一个传统的LeNet-5卷积神经网，具体代码如下： class LeNet(nn.Module): def __init__(self, input_shape=(32, 32), num_classes=100): super(LeNet, self).__init__() ...
Python 实现 TensorFlow 和 PyTorch 验证卷积 convolution 函数矩阵化计算及反向传播
BrightLamp的博客
01-05 1131
摘要 本文使用纯 Python 实现 TensorFlow 和 PyTorch 验证卷积 convolution 函数矩阵化计算及反向传播. 相关 原理和详细解释, 请参考文章 : 卷积 convolution 函数的矩阵化计算方法及其梯度的反向传播 系列文章索引 : https://blog.csdn.net/oBrightLamp/article/details/85067981 正文 1. ...
简述基于PyTorch框架的卷积神经网络（Convolutional Neural Network，CNN）
XY的博客
07-10 8289
PyTorch框架使得构造和训练神经网络方便了许多，为简述其用法，同时也为说明卷积神经网络的原理，本文举例说明如何基于PyTorch框架构造并训练一个卷积神经网络用于识别手写阿拉伯数字。
基于Pytorch的3D卷积
weixin_45738220的博客
06-13 1万+
3D卷积核相比于2D卷积核引入了时间尺度，并且在宽、高、深度（不是单张图像的通道数，这个深度可以理解为帧间）方向上进行滑窗。 在pytorch中，输入数据的维数可以表示为（N,C,D,H,W），其中：N为batch_size，C为输入的通道数，D为深度（D这个维度上含有时序信息），H和W分别是输入图像的高和宽。3维卷积核的维数可以表示为（Cout,C,FD,FH,FW），其中：Cout为输出通道数，（FD,FH,FW）为3维滤波器的尺寸。特别的FD为深度方向的滤波器尺寸，它所关联的是时序信息，FD越大表示在
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 1万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
用pytorch写一个完整的四元数卷积
weixin_35752645的博客
02-14 555
在 PyTorch 中实现四元数卷积需要计算四元数的乘法和加法，并对输入的四元数进行卷积。下面是一个完整的例子： ``` import torch import torch.nn as nn 定义四元数的乘法 def quaternion_mult(q, r): w1, x1, y1, z1 = q[:, 0], q[:, 1], q[:, 2], q[:, 3] w2, x2, ...
pytorch中的卷积操作详解
热门推荐
霹雳吧啦Wz
11-05 4万+
首先说下pytorch中的Tensor通道排列顺序是：[batch, channel, height, width] 我们常用的卷积（Conv2d）在pytorch中对应的函数是： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=Tr...
torch学习二之nn.Convolution
weixin_44134372的博客
11-25 345
torch学习二之nn.Conv1dnn.Conv1d函数参数输入数据维度转换关于kernel nn.Conv1d 一维卷积通常用于处理文本数据 函数参数 首先看一下官网定义 CLASS torch.nn.Conv1d(in_channels: int, out_channels: int, kernel_size: Union[T, Tuple[T]], stride: Union[T, Tuple[T]] = 1, padding: Union[T, Tuple[T]] = 0, dilation:
Pytorch 之torch.nn初探--第4关：卷积--Convolution Layers
Martin-share的博客
01-17 627
Pytorch 之torch.nn初探--第4关：卷积--Convolution Layers
Pytorch 之torch.nn初探第4关：卷积--Convolution Layers
admin的博客
10-05 888
经过前几节的的学习，想必大家对torch.nn有了初步的了解。接下来，向大家介绍神经网络中的一种特殊的定义——卷积层！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ManonLegrand

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值