Question

我是mxnet的新手，在官方文档中，卷积层的生成可能是

conv = nd.Convolution(data=data, weight=W, bias=b, kernel=(3,3), num_filter=10)

但是要求weight参数需要采用4维张量

W = [weight_num, stride, kernel_height, kernel_width]

那么为什么我们仍然需要在kernel函数中设置一个Convolution参数？

Answer 1

kernel参数设置内核大小，可以是：

（width，）-用于一维卷积
（高度，宽度）-用于2D卷积
（深度，高度，宽度）-用于3D卷积

它仅定义形状。

weight和bias参数包含将要训练的实际参数。实际值将在此处。

虽然您可能可以通过提供的kernel来找出weight（形状），但要求提供显式提供kernel的形状而不是尝试根据传递的参数来确定形状，这更具防御性到weight。

以下是2D卷积的示例：

# shape is batch_size x channels x height x width
x = mx.nd.random.uniform(shape=(100, 1, 9, 9))
# kernel is just 3 x 3, 
# weight is num_filter x channels x kernel_height x kernel_width
# bias is num_filter
mx.nd.Convolution(data=x, 
                  kernel=(3, 3), 
                  num_filter=5, 
                  weight=mx.nd.random.uniform(shape=(5, 1, 3, 3)), 
                  bias=mx.nd.random.uniform(shape=(5,)))

解释1D，2D或3D卷积情况下各种参数形状的文档非常好：https://mxnet.incubator.apache.org/api/python/ndarray/ndarray.html#mxnet.ndarray.Convolution

为什么MXnet中的卷积函数具有内核参数

1 个答案: