3*3卷積核與2*5卷積核對神經(jīng)元大小的設置

#這里kerner_size = 2*5

class CONV_NET(torch.nn.Module): #CONV_NET類繼承nn.Module類

def __init__(self):

super(CONV_NET, self).__init__() #使CONV_NET類包含父類nn.Module的所有屬性

# super()需要兩個實參，子類名和對象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)

def forward(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)

return x

主要看對稱卷積核以及非對稱卷積核之間的計算方式

#這里kerner_size = 3*3

class CONV_NET(torch.nn.Module): #CONV_NET類繼承nn.Module類

def __init__(self):

super(CONV_NET, self).__init__() #使CONV_NET類包含父類nn.Module的所有屬性

# super()需要兩個實參，子類名和對象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)

def forward(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)

return x

針對kerner_size=2*5,padding=0，stride=1以及kerner_size=3*3,padding=1,stride=1二者計算方式的比較如圖所示

以上這篇淺談pytorch卷積核大小的設置對全連接神經(jīng)元的影響就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持我們。

本文標題: 淺談pytorch卷積核大小的設置對全連接神經(jīng)元的影響

本文地址: http://www.cppcns.com/jiaoben/python/298087.html

總結

以上是生活随笔為你收集整理的python配置核_浅谈pytorch卷积核大小的设置对全连接神经元的影响的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。