杨小浩浩的博客

卷积运算深度学习中，利用卷积核对图片提取特征已经十分常用且普遍，本文介绍经过卷积运算后的输出维度计算方法。卷积输出维度计算已知：假设输入的图片尺寸：A x A卷积核大小：K步长Stride：SPadding大小：P求解：输出的embedding维度B：B = (A + 2*P - K) / S + 1逐步理解：A + 2*P (size + 2 * padding) ===> 将原图片拓展A + 2*P - K ===> 根据卷积核大小把最后一个抛掉(A + 2*

简介将输入input张量每个元素的夹紧到区间 [min,max]内，并返回结果到一个新张量。torch.clamp(input, min, max, out=None) → Tensor参数解释input(Tensor)：输入张量min：限制范围下限max:限制范围上限out(Tensor):输出张量数学原理： | min, if input < minoutput = | input, if min <= input <= max

简介torch.sign(input, out=None) → Tensor该函数的作用就是输出input通过sign函数后的张量，其中sign函数就是符号函数，如下图所示。举例：>>> a = torch.tensor([0.7, -1.2, 0., 2.3])>>> atensor([ 0.7000, -1.2000, 0.0000, 2.3000])>>> torch.sign(a)tensor([ 1., -1., 0.,