PyTorch学习—10.nn中网络层的具体使用

本文主要是介绍PyTorch学习—10.nn中网络层的具体使用，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

文章目录

• • • 引言
    • 一、卷积层
    • • 1. nn.Conv2d
      • 2.nn.ConvTranspose2d
    • 二、池化层
    • • 1. nn.MaxPool2d
      • 2. nn.AvgPool2d
      • 3. nn.MaxUnpool2d
    • 三、线性层
    • • 1. nn.Linear
    • 四、激活函数层
    • • 1. nn.Sigmoid
      • 2. nn.tanh
      • 3. nn.ReLU

理论知识插眼：深度学习TF—7.卷积神经网络CNN

引言

  前面，我们学习了如何搭建模型，以及在模型搭建过程中用到的容器。这一节，我们介绍网络层的具体使用。

一、卷积层

  下面介绍几个概念：

• 卷积运算:卷积核在输入信号（图像）上滑动，相应位置上进行乘加。
• 卷积核:又称为滤波器，过滤器，可认为是某种模式，某种特征。
  
• 卷积维度:一般情况下,卷积核在几个维度上滑动,就是几维卷积。
  PyTorch中提供了1d、2d、3d的卷积。

1d conv:

2d conv:

3d conv:

上述都是一个卷积核在一个信号上的卷积。如果涉及多个卷积核多个信号的操作，那么应该怎么判断卷积的维度？下面我们以一个三维卷积核实现二维卷积为例

每个卷积核分别在各自的通道进行卷积操作得到输出值，然后相加再加上偏置才会得到特征图的一个像素值。一个卷积核只在一个二维图像上进行滑动，所以这是二维卷积。为什么它是三维卷积核？正是因为它有多个通道，在多个通道上分别进行卷积。

1. nn.Conv2d

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

功能:对多个二维信号进行二维卷积
主要参数:

• in_channels:输入通道数
• out_channels:输出通道数，等价于卷积核个数
• kernel_size:卷积核尺寸
• stride:步长
• padding :填充个数，用于保持输入与输出图像的尺寸是匹配的
• dilation:空洞卷积大小
• groups:分组卷积设置
• bias:偏置

尺寸计算公式为：

2.nn.ConvTranspose2d

  nn.ConvTranspose2d是转置卷积。转置卷积用于对图像进行上采样(UpSample)，经常用于图像分割任务。那么，什么是转置卷积？它与正常卷积有什么区别？
如图是正常2d卷积

假设图像尺寸为 4 ∗ 4 4*4 4∗4，卷积核为 3 ∗ 3 3*3 3∗3，padding=0，stride=1
图像：

这篇关于PyTorch学习—10.nn中网络层的具体使用的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！