下采样倍率与stride的2的幂次方成正比

yyfhq

于 2022-07-24 20:01:50 发布

阅读量459

点赞数

CC 4.0 BY-SA版权

分类专栏： pytorch 文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.youkuaiyun.com/yyfhq/article/details/125963456

pytorch 专栏收录该内容

8 篇文章

订阅专栏

该博客介绍了如何使用PyTorch构建一个名为Block的卷积神经网络模块。Block类包含一个步长可调的卷积层、批量归一化和ReLU激活函数。通过调整步长参数，可以生成不同尺度的特征图。示例中展示了步长为2、4和8时的输出尺寸，并使用torchsummary库展示模型架构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch.nn as nn
import torch

# stride=2/4/8  分别生成20/12  10/6  5/3三种尺度的特征图
# 下采样倍率与stride的2的幂次方成正比
class Block(nn.Module):
    def __init__(self, in_channel, out_channel, stride=8, downsample=None, **kwargs):
        super(Block, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
                               kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channel)
        self.relu = nn.ReLU()

    def forward(self, x):
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        return out

from torchsummary import summary
# 自己查看模型的架构
model = Block(in_channel=3, out_channel=64).cuda()
# 输出前channel在前面
summary(model, (3, 40, 24))