标签：multi 卷积 torch corr2d print 笔记 018 通道
对于RGB这种多个输入通道的图：
每个通道都有一个卷积核，结果是所有通道卷积结果的和。
我们可以有多个输出通道：
但是到目前为止我们只用到单输出通道。
多输入和输出通道，可以用多个卷积核提取不同的特定的模式，最后加权，得到一个组合的模式识别。
深度学习其实就是先用简单的卷积核识别这些最简单的纹理，然后进一步组合，得到有意义的信息。
1x1卷积层：不识别空间模式，只是融合通道（可以加权）。
1x1的卷积层可以认为是一个全连接层
-
多输入多输出通道可以用来扩展卷积层的模型。
-
当以每像素为基础应用时，1×11×1卷积层相当于全连接层。
-
1×11×1卷积层通常用于调整网络层的通道数量和控制模型复杂性。
import torch
from d2l import torch as d2l
# 多通道输入
def corr2d_multi_in(X,K):
return sum(d2l.corr2d(x,k) for x,k in zip(X,K)) # 先遍历“X”和“K”的第0个维度（通道维度），再把它们加在一起
#说白了，就是对各个通道分别做卷积，最后加和在一起
X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],
[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])
print(corr2d_multi_in(X, K))
def corr2d_multi_in_out(X, K):
# 迭代“K”的第0个维度，每次都对输入“X”执行互相关运算。
# 最后将所有结果都叠加在一起
return torch.stack([corr2d_multi_in(X, k) for k in K], 0)
# 换句话说，就是让四维的K的每一个k与X做互相关运算
K = torch.stack((K, K + 1, K + 2), 0) #把K变成一个四维的，卷积核数目为3（3通道）
print(K.shape)
print(K)
print(corr2d_multi_in_out(X,K))
# 定义一个1x1矩阵的多输入多输出的卷积
def corr2d_multi_in_out_1x1(X, K):
c_i, h, w = X.shape
c_o = K.shape[0]
X = X.reshape((c_i, h * w))
K = K.reshape((c_o, c_i))
# 全连接层中的矩阵乘法
Y = torch.matmul(K, X)
return Y.reshape((c_o, h, w))
X = torch.normal(0, 1, (3, 3, 3))
K = torch.normal(0, 1, (2, 3, 1, 1))
print("--------------------------------------------------------------")
print(X)
print(K)
Y1 = corr2d_multi_in_out_1x1(X, K)
Y2 = corr2d_multi_in_out(X, K)
assert float(torch.abs(Y1 - Y2).sum()) < 1e-6
print(Y1==Y2)
Q&A
1、很多padding，也就是在图像中填充很多的0，不会影响模型的性能。0与卷积相乘还是0，不会对网络造成太大的影响。
2、每个通道的卷积核是不一样的，不同通道的卷积核的大小是一样的。（老师口误，忘记了“大小”，意思很迷）
3、卷积层的bias用处不是很大。比如当数据不为0的时候，偏移一般等于数据平均值的负数。但是因为在工程中我们会做很多均一化操作，所以偏移在实际工程中影响不是很大。
这一节听得不是很懂，特别是输出通道为什么可以多通道，以及多通道的意义，理解不能，暂时不求甚解吧。
标签：multi,卷积,torch,corr2d,print,笔记,018,通道 来源： https://www.cnblogs.com/loveandninenine/p/15866716.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。