实现二维卷积层

最新推荐文章于 2024-08-01 16:55:04 发布

原创最新推荐文章于 2024-08-01 16:55:04 发布 · 241 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #python

pytorch 专栏收录该内容

9 篇文章

订阅专栏

这篇博客展示了如何用Python和PyTorch从零开始实现一个二维卷积层。通过定义`corr2d`函数进行卷积操作，并在此基础上创建了一个自定义的`Conv2d`类，该类在输入张量上应用卷积并添加偏置项。示例中给出了卷积操作的实例，用于理解其工作原理。

部署运行你感兴趣的模型镜像

import torch
from torch import nn

def corr2d(X,K):
    h,w=K.shape
    Y=torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            Y[i,j]=(X[i:i+h,j:j+w]*K).sum()
    return Y
# X=torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
# K=torch.tensor([[0.0,1.0],[2.0,3.0]])
#
# print(corr2d(X,K))

# 二维实现卷积层

class Conv2d(nn.Module):
    def __init__(self,kernel_size):
        super().__init__()
        self.weight=nn.Parameter(torch.rand(kernel_size))
        self.bias=nn.Parameter(torch.zeros(1))

    def forward(self,x):
        return corr2d(x,self.weight)+self.bias

X=torch.tensor([[0.0,1.0,2.0],[3.0,4.0,5.0],[6.0,7.0,8.0]])
ney=Conv2d((2,2))
print(ney(X))

# X=torch.ones((6,8))
# X[:,2:6]=0
# print(X)
# K=torch.tensor([[1.0,-1.0]])
# print(corr2d(X,K))

您可能感兴趣的与本文相关的镜像