用于不对称卷积的验证参数的小程序

原创已于 2024-01-28 21:18:14 修改 · 614 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #人工智能

于 2024-01-28 21:05:24 首次发布

深度学习经典文章理论及分析专栏收录该内容

3 篇文章

订阅专栏

本文通过Python代码实例，解释了在PyTorch中如何计算非对称卷积（如3x1,1x3,3x3,和1x1卷积）在正方形和矩形输入图像上的特征图尺寸变化，展示了实际操作中的输出形状计算过程。

部署运行你感兴趣的模型镜像

非对称卷积的特征图尺寸计算
此处只例举输入图像是正方形的情况。设输入图像尺寸为WxW，卷积核尺寸为ExF，步幅为S，Padding为P，卷积后的特征图尺寸为：
在这里插入图片描述

矩形卷积
如果输入图像是正方形，尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P，经过该卷积层后输出的特征图尺寸为NxN：

如果输入图像是矩形，尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则：
在这里插入图片描述

非对称卷积的验证程序如下：

import torch
import torch.nn as nn
 
import torch
 
a = torch.randn(1, 32, 640, 640)  # 创建一个1x32x640x640的输入，BNWH格式
conv3x1 = torch.nn.Conv2d(32, 32, (3, 1),stride=2,padding=(1,0))  # 3x1卷积
conv1x3 = torch.nn.Conv2d(32, 32, (1, 3),stride=1,padding=(0,1))  # 1x3卷积
conv3x3 = torch.nn.Conv2d(32, 32, (3, 3),stride=2,padding=1)  # 1x3卷积
conv1x1 = torch.nn.Conv2d(32, 32, (1, 1),stride=2,padding=0)  # 1x1卷积

out = conv3x1(a)
print(out.shape)  # 进行了3x1后的output的形状
out = conv1x3(out)  # 对1x3后的结果输出形状
print(out.shape)
out = conv3x3(a)
print(out.shape)
out = conv1x1(a)
print(out.shape)



"""
torch.Size([1, 32, 320, 320])
torch.Size([1, 32, 320, 320])
torch.Size([1, 32, 320, 320])
torch.Size([1, 32, 320, 320])
"""