卷积神经网络学习笔记（四）—— CNN细枝末节系列之特征图大小处理

pytorch中的2D卷积的函数是：

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

Parameters：

in_channels(int) – 输入信号的通道
out_channels(int) – 卷积产生的通道
kerner_size(int or tuple) - 卷积核的尺寸
stride(int or tuple, optional) - 卷积步长
padding(int or tuple, optional) - 输入的每一条边补充0的层数
dilation(int or tuple, optional) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias=True，添加偏置

输出和权值的计算公式为：

1. 最基础的情况下：

# 定义一个输入，为了看起来方便，我们定义一个全为1的张量
input = autograd.Variable(torch.ones(1, 1, 5, 5))
>> tensor([[[[ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.]]]])
>> torch.Size([1, 1, 5, 5])

# 定义一个最基础的2D卷积，卷积核为3 * 3
CNN= nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, stride=1, padding=0, bias=False)

# 为了直观，我们直接先设置卷积和，在实际使用时它是先随机初始化，然后再通过反向来得到
CNN_W = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]], dtype='float32') 
# CNN的权值也是张量形式
CNN_W = CNN_W.reshape((1, 1, 3, 3))
CNN.weight.data = torch.from_numpy(CNN_W)

# 卷积计算
print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))
>> tensor([[[[ 1.,  1.,  1.],
          [ 1.,  1.,  1.],
          [ 1.,  1.,  1.]]]])

>> tensor([[[[ 9.,  9.,  9.],
          [ 9.,  9.,  9.],
          [ 9.,  9.,  9.]]]])
          
>> torch.Size([1, 1, 3, 3])

2. stride使得卷积核无法走遍整个图时：

# 修改上面的卷积的步数为3，此时，卷积核不能走遍整个图，所以，通过不使用padding时，会舍弃掉部分值
CNN= nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, stride=3, padding=0, bias=False)

print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))

>> tensor([[[[ 1.,  1.,  1.],
          [ 1.,  1.,  1.],
          [ 1.,  1.,  1.]]]])

>> tensor([[[[ 9.]]]])
          
>> torch.Size([1, 1, 1, 1])

3. 使用padding时：

# 使用padding=1时，此时输入会在周围包上一层0，也就是原来5 * 5的矩阵变成7 * 7

CNN= nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, stride=3, padding=1, bias=False)

print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))

>> tensor([[[[ 1.,  1.,  1.],
          [ 1.,  1.,  1.],
          [ 1.,  1.,  1.]]]])

>> tensor([[[[ 4.,  6.],
          [ 6.,  9.]]]])
          
>> torch.Size([1, 1, 2, 2])

4. 输出通道数不设为1时：

# 使用out_channels =2时，此时其实就是初始化两个卷积核，这里我们不给它设值，直接让其随机初始化

CNN= nn.Conv2d(in_channels=1, out_channels=2, kernel_size=3, stride=3, padding=1, bias=False)

print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))

>> tensor([[[[-0.1465,  0.3027,  0.2025],
          [-0.0289, -0.0376,  0.2881],
          [-0.1316,  0.1987,  0.2249]]],


        [[[ 0.0905, -0.1791,  0.3059],
          [ 0.1897,  0.1662,  0.2220],
          [ 0.1330, -0.2048,  0.1505]]]])

>> tensor([[[[ 0.6741,  0.5137],
          [ 1.1793,  0.8724]],

         [[ 0.3340,  0.6567],
          [ 0.4608,  0.8740]]]])
          
>> torch.Size([1, 2, 2, 2])

5. 输入通道数不为1时：

input = autograd.Variable(torch.ones(1, 2, 5, 5))
print(input)
np.shape(input)

>> tensor([[[[ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.]],

         [[ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.]]]])
 
 >> torch.Size([1, 2, 5, 5])

# 使用in_channels =2时，其实此时也是随机初始化了两个卷积核对应两个通道，最后将结果相加
CNN= nn.Conv2d(in_channels=2, out_channels=1, kernel_size=3, stride=1, padding=0, bias=False)

# 为了直观，这里我们同样使用自己设的卷积核参数
CNN_W = np.array([[[1, 1, 1], [1, 1, 1], [1, 1, 1]],[[1, 1, 1], [1, 1, 1], [1, 1, 1]]], dtype='float32') 
# CNN的权值也是张量形式
CNN_W = CNN_W.reshape((1, 2, 3, 3))
CNN.weight.data = torch.from_numpy(CNN_W)

# 卷积计算过程
print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))

>> tensor([[[[ 1.,  1.,  1.],
          [ 1.,  1.,  1.],
          [ 1.,  1.,  1.]],

         [[ 1.,  1.,  1.],
          [ 1.,  1.,  1.],
          [ 1.,  1.,  1.]]]])

>> tensor([[[[ 18.,  18.,  18.],
          [ 18.,  18.,  18.],
          [ 18.,  18.,  18.]]]])
          
>> torch.Size([1, 1, 3, 3])

6. 输入个数不为1时：

input = autograd.Variable(torch.ones(2, 1, 5, 5))
print(input)
np.shape(input)

>> tensor([[[[ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.]]],


        [[[ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.],
          [ 1.,  1.,  1.,  1.,  1.]]]])
 
 >> torch.Size([2, 1, 5, 5])

# 此时卷积还是对应通道数，其实就是生成一个卷积核，去分别作用在两个对象上
CNN= nn.Conv2d(in_channels=1, out_channels=2, kernel_size=3, stride=1, padding=0, bias=False)


# 卷积计算过程
print(CNN.weight.data)
print(CNN(input))
np.shape(CNN(input))

tensor([[[[ 0.4774,  0.4774,  0.4774],
          [ 0.4774,  0.4774,  0.4774],
          [ 0.4774,  0.4774,  0.4774]]],


        [[[ 0.4774,  0.4774,  0.4774],
          [ 0.4774,  0.4774,  0.4774],
          [ 0.4774,  0.4774,  0.4774]]]])  
                  
>> torch.Size([2, 1, 3, 3])

至于dilation就是在卷积核里加0，解释上是说可以扩大感知：

dilation

可以参考：https://blog.csdn.net/cai13160674275/article/details/71155295

最后编辑于：2020.01.11 13:16:31

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 204,793评论 6赞 478
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 87,567评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 151,342评论 0赞 338
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,825评论 1赞 277
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,814评论 5赞 368
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,680评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,033评论 3赞 399
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,687评论 0赞 258
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 42,175评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,668评论 2赞 321
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,775评论 1赞 332
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,419评论 4赞 321
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,020评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,978评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,206评论 1赞 260
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,092评论 2赞 351
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,510评论 2赞 343