Repvgg理解过程出现的问题

HAOA~

已于 2022-10-26 16:44:23 修改

阅读量492

点赞数

CC 4.0 BY-SA版权

文章标签：深度学习人工智能

于 2022-10-26 16:41:08 首次发布

本文链接：https://blog.youkuaiyun.com/HHHAOA/article/details/127534963

本文根据博主太阳花的小绿豆文章学习RepVGG网络，它改变网络结构做了模型重参数化，去掉resnet的shortcut且不改变推理效果。作者记录个人困惑，探讨卷积核通道数和个数，指出输出通道数与卷积核个数相关，并结合刘二大人视频和程序说明。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

根据博主太阳花的小绿豆的文章学习：RepVGG网络简介_太阳花的小绿豆的博客-优快云博客_repvgg网络是干嘛的?

简单来说repvgg就是改变了网络结构，做了模型重参数化，啥叫模型重参数化？就是将resnet的shortcut给去掉的同时不改变推理的效果。

至于重参数化过程的推理，可以直接点击上边的连接，此处只记录小白的个人困惑。

文中博主给出了上图，以我的理解，input channel=2，那么卷积核的个数不就应该为2吗？但是博主的意思是此处的kernel weight仅表示一个卷积核，做卷积后只得到了output channel 1。对此又找出了b站up主刘二大人的视频（pytorch第十讲30多分）仔细看了一遍，其实卷积核的通道数是可以自己设定的，最后的输出的通道数与此卷积核的通道数是无关的，输出的通道数是与卷积核的个数相关的，如下图

注意！这是一个卷积层的计算的大致过程。如果自己跟着刘二大人写了卷积层的程序的话，一定会有类似下边的程序：

self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)

其中1就是输入通道的数量（input channel，也就是卷积核的通道数），10就是输出通道的数量（output，也就是卷积核的个数）。