李沐笔记（填充和步幅）

最新推荐文章于 2026-01-06 23:07:05 发布
原创 最新推荐文章于 2026-01-06 23:07:05 发布 · 2.4k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #数据结构 #自然语言处理

该博客介绍了如何在PyTorch中使用`nn.Conv2d`进行卷积操作，包括在不同侧边填充1个像素以保持形状不变，以及设置不同高度和宽度的填充和步幅。通过示例展示了填充和步幅如何影响输出尺寸的计算，帮助读者深入理解卷积层的工作原理。

 

输入输出的形状不变

 

 

import torch
from torch import nn

# 在所有侧边填充1个像素
def comp_conv2d(c
最低0.47元/天 解锁文章
qq_42310607
关注
Conv2d反向传播梯度的计算过程
随风秀舞（diyoosjtu）
05-05 1727
我们用一个例子来说明： 令 x∗w=yx*w=yx∗w=y 并且 x=[x11x12x13x21x22x23x31x32x33],w=[w11w12w21w22],y=[y11y12y21y22]x=\begin{bmatrix} x_{11} & x_{12} & x_{13}\\ x_{21} & x_{22} & x_{23}\...
pytorch中卷积层Conv2d函数
qq_24503095的博客
12-21 1568
pytorch中卷积层Conv2d函数： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros') 二维卷积层, 输入的尺度是(N, C_in,H,W)，输出尺度（N,C_out,H_out,...
卷积操作Conv2d详细解释以及案例
weixin_47604030的博客
01-22 5370
import torch x = torch.randn(2,1,3,2) （2张图片,通道数1单色，高3，宽2） conv = torch.nn.Conv2d(1,8,(2,3)) 输入通道数1，和上面x数据保持一致 输出的通道 8，也就是核的个数，决定了输出数据的通道数，也可以理解为有8个核处理了图片输出8个矩阵。 y=conv(x) #用卷积处理x返回y y的shape为(2,8,?,?) #还是2张,8通道,高,宽 下面是源代码可以测试： #2d中...
【pytorch】nn.conv2d的使用
安安爸Chris的专栏
09-02 843
官方文档在这里。 conv2d具体不做介绍了，本篇只做pytorch的API使用介绍. torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’, device=None, dtype=None) input张量 input为入参，其shape必须为4维的，其中每一维度含义如下 N:Batch Numb
动手学深度学习笔记day9
m0_56770663的博客
07-21 1205
卷积神经网络CNN
动手学深度学习 PyTorch版 李沐 视频笔记
weixin_45729566的博客
08-06 694
04 数据操作+数据预处理。
李沐20_卷积层里的填充和步幅——自学笔记
Rrrrrr900的博客
04-07 796
（1）填充和步幅是卷积层的超参数（2）填充在输入周围添加额外的行/列，来控制输出形状的减少量（3）步幅是每次滑动核窗口时的行/列的步长，可以成倍的减少输出形状。
李沐笔记（池化层）
qq_42310607的博客
12-02 956
import torch from torch import nn from d2l import torch as d2l # 实现池化层的正向传播 def pool2d(X, pool_size, mode='max'): p_h, p_w = pool_size Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1)) for i in range(Y.shape[0]): ...
个人学习笔记5-1：动手学深度学习pytorch版-李沐
浪子L的博客
09-06 1185
主要记录学习笔记，学习书目为李沐老师的《动手学习深度学习》 重预备知识开始记录。 开源书籍地址：https://zh-v2.d2l.ai/chapter_preface/index.htmll 李沐老师B站视频：https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
torch.nn.Conv2d() 用法讲解
我想月薪过万的博客
10-01 1128
函数原型 nn.Conv2d(in_channels, #输入通道数(int) out_channels, #输出通道数，等于卷积核个数(int) kernel_size, #卷积核尺寸(int or tuple) stride=1, # 步长(int or tuple, optional) padding=0, # 零填充(int or tuple, optional) dilation=1, # 空洞
Pytorch——conv2d参数使用
lzc842650834的博客
05-16 4万+
记录下常用参数使用，方便查阅 conv2d的官方文档点击这里 首先是原函数的参数： torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros') 输入输出的格式： input(N,C-in,H-...
conv2d 公式_速查：卷积核尺寸计算公式
weixin_35545345的博客
12-27 1681
 使用符号： 输入尺寸（input）： 卷积核大小（kernel size）： 步幅（stride）： 边界扩充（padding）： 输出尺寸（output）： 卷积公式没有padding，且s=1公式1：对于任意的i和k，如果 ,则有padding，且s=1公式2：对于任意的i和k,p，如果 ,则Half (same) padding公式3：如果我们希望输出的大小等于输入的大小，...
Pytorch的nn.Conv2d（）详解
热门推荐
qq_42079689的博客
10-19 21万+
Pytorch的nn.Conv2d（）详解nn.Conv2d()的使用、形参与隐藏的权重参数in_channelsout_channelskernel_sizestride = 1padding = 0dilation = 1groups = 1bias = Truepadding_mode = 'zeros' nn.Conv2d()的使用、形参与隐藏的权重参数   二维卷积应该是最常用的卷积方式...
动手学深度学习——卷积层里的填充和步幅
橙子的博客
02-27 4651
1、填充 填充（padding）是指在输⼊⾼和宽的两侧填充元素（通常是0元素）。 给定（32x32）输入图像； 应用5x5大小的卷积核，第一层得到输出大小28x28，第七层得到输出大小4x4； 更大的卷积核可以更快的减少输出大小，形状从减少到。也就是行数和列数会较少。 注：当想用一个大的卷积核又不想减少输出怎么办？ 就是进行填充，在输入的周围添加额外的行或者列。 在很多情况下， 我们会设置和来使输⼊和输出具有相同的⾼和宽。 这样会⽅ 便在构造⽹络时推测每个层的输出形状。 假设这.
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
我亦是行人
10-26 6494
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。 对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是 (nh−kh+1)×(nw−kw+1).(
基于深度学习的表格识别技术，通过多模态神经网络实现高精度OCR识别，支持复杂表格结构解析和版面还原
最新发布
智能图像识别
01-06 328
摘要：政务服务数字化转型面临海量申请表处理难题。基于深度学习的智能表格识别技术，通过多模态神经网络实现99.5%高精度OCR识别，支持复杂表格结构解析和版面还原。该系统具备全格式自适应、多语言识别、毫秒级处理等核心功能，可应用于窗口受理、批量年检等政务场景，显著提升服务效率。该技术通过自动化处理各类申请表，推动政务服务向"以用户为中心"转型。
pytorch——神经网络框架的搭建以及网络的训练
qq_64131064的博客
12-26 459
本文总结了深度学习模型训练的完整流程：1）搭建网络骨架结构；2）下载预训练模型并迁移到自定义数据集；3）模型保存（完整模型或参数字典）与加载方法；4）标准训练流程包括数据准备、模型定义、损失函数和优化器设置；5）GPU加速训练的两种实现方式及注意事项；6）模型验证测试的完整代码示例，包含图像预处理、模型加载和推理过程；7）阅读他人代码的技巧，建议从train.py入手，重点关注参数设置和模型结构。文中提供了详细的代码片段和示意图，涵盖了从模型构建到部署应用的全流程关键技术点。
多元函数的神经网络与深度学习
kim的博客
01-01 1058
本文概述了神经网络与深度学习的核心概念和方法。主要内容包括：1)神经网络的基本结构，如神经元、权重、激活函数等；2)深度学习的关键算法，包括前向传播、反向传播和梯度下降；3)深度学习与机器学习、人工智能的区别；4)主流深度学习框架介绍，如TensorFlow、PyTorch等。文章系统性地介绍了这些技术的基本原理和应用特点，为理解深度学习提供了基础性知识框架。
神经网络单细胞预后分析：这个方法直接把 TCGA 预后模型那一套迁移到单细胞与空转数据上了！竟然还能做模拟敲除与预后靶点筛选？！
weixin_49214410的博客
12-31 1440
④ 第四阶段用 SHAP 量化基因对 High-Risk 判别的贡献，并把贡献映射回 W，同时将患者风险更新回 v，让单细胞与bulk的信号在循环中迭代更新（有种EM算法的感觉了，这种神经网络的EM这几年其实还不少）。尽管紫色也有，但是没有蓝色的多。该框架以迭代反馈的方式，把 bulk 队列中的预后信息整合到单细胞表示学习中，从而识别与预后不良结局相关的 High-Risk 细胞群，并在此基础上进行多种下游分析。换句话说，在肿瘤领域，预后分析应当在单个细胞水平进行，因为细胞的异质性是极其大的。
李沐pytorch笔记
08-27
你是在询问关于李沐在PyTorch方面的笔记...你可以通过搜索“李沐PyTorch笔记”来找到他的相关文章和资源。此外，PyTorch官方网站也有许多官方文档和教程，可以帮助你深入学习和理解PyTorch。希望这些信息对你有所帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值