【卷积神经网络入门】【1】卷积类型

最新推荐文章于 2024-04-13 20:33:56 发布

薛定谔的奔波儿灞

最新推荐文章于 2024-04-13 20:33:56 发布

阅读量850

点赞数

分类专栏：卷积神经网络入门文章标签：卷积卷积神经网络神经网络深度学习计算机视觉

本文链接：https://blog.youkuaiyun.com/gdfsy123/article/details/114899300

版权

1 篇文章

订阅专栏

本文详细介绍了卷积神经网络中的六种主要卷积类型：普通卷积、逐点卷积、分组卷积、深度可分离卷积、空洞卷积及转置卷积，并解释了各自的参数量和应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Normal Convolution

一般kernel_size=3，padding取1，这样feature map取决于stride

参数量：CinCoutK*K

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

kernel_size=1，无法提取空间信息，但可以实现全连接的功能

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

因显卡不够用所以被创建，当然也有后续研究，维度从Cin变为原来几分之一，分组卷积后拼到一起

参数量：Ci/2Cout/2KK2+bias

torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=2,bias=True)

将输入的feature map分组成Cin个然后再合到一起，这样Cout=Cin，但是由于通道之间的信息没有打开，因此通常接1*1卷积打通通道

参数量：CinKK+bias

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

仅学习9个点，但是可以可以获得更大的感受野，dilation表示每个点中间隔的点数

torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=2,groups=2,bias=True)

正常卷积把原图变小，一般加padding保持图不变，这种逆向操作会把图变大，一般用作上采样

torch.nn.ConvTranspose2d(in_channels,out_channels,kernel_size,stride=1,padding=0,output_padding,groups=1,bias=True,dilation=1)

参数量：CiCoutK*K+bias