深入理解pytorch 卷积层核子和参数

最新推荐文章于 2025-07-06 12:17:22 发布

踩着七彩祥云的猴子

最新推荐文章于 2025-07-06 12:17:22 发布

阅读量4.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络 python

本文链接：https://blog.youkuaiyun.com/weixin_36149892/article/details/86942975

python 同时被 2 个专栏收录

62 篇文章

订阅专栏

神经网络

8 篇文章

订阅专栏

本文详细解析了卷积神经网络(Convolutional Neural Network, CNN)中卷积层的参数设置，包括权重(weight)和偏置(bias)的含义及计算方式。通过一个具体的实例，展示了如何根据输入通道数、输出通道数以及卷积核尺寸计算卷积层的参数数量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

In [19]: conv2 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=(4,3,2))


In [23]: for (name, param) in conv2.named_parameters():
    ...:     print(name)
  
  
weight
bias


也就是说每一个卷积层个有两个属性， 一个属性是weight， 另一个属性是bias
具体的就是conv2.weight   conv2.bias



 print(conv2.weight.shape)
torch.Size([32, 3, 4, 3, 2])

由于input_channel是3， output_channel=32， 算子的形状(fileter shape)是 4*3*2的
所以每一个算子的参数是  3*（4*3*2）== input_cahnnel * filter shape
这个卷积层有32个算子，所以一共有参数32*3*4*3*2个， 也就是conv2.weight的shape


In [44]: conv2.bias
Out[44]:
Parameter containing:
tensor([ 0.0269, -0.0939, -0.0467,  0.0744,  0.0148, -0.0733,  0.0333, -0.0539,
        -0.0310, -0.0291, -0.1154, -0.1048,  0.0117,  0.0682,  0.0352, -0.0773,
         0.0971,  0.0425, -0.0431, -0.0425, -0.0439,  0.0840, -0.0024,  0.0546,
        -0.0344,  0.0732,  0.0632, -0.0010, -0.1169,  0.1142, -0.0022,  0.0458],
       requires_grad=True)

In [45]: conv2.bias.shape
Out[45]: torch.Size([32])