Question

在pytorch网站上，他们的教程中包含以下模型

class BasicCNN(nn.Module):
    def __init__(self):
        super(BasicCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = x.permute(0, 3, 1, 2)
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

此模型有多少个内核/过滤器？是两个吗-例如conv1和conv2。如何通过指定数量轻松地创建许多过滤器？例如100个过滤器。

谢谢！

Answer 1

您的问题有点含糊，但让我尝试回答。

通常，在卷积层中，我们将过滤器的数量设置为out_channels的数量。但这不是直截了当的。让我们根据您提供的示例进行讨论。

卷积层参数是什么？

model = BasicCNN()
for name, params in model.named_parameters():
    if 'conv' in name:
        print(name, params.size())

输出：

conv1.weight torch.Size([6, 3, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])

说明

让我们考虑以上模型中的conv1层。可以说，有6个形状为5 x 5的过滤器，因为我们选择了2d卷积。由于输入通道的数量为3，因此共有6 x 3 = 18个内核。

在此，此模型的输入是3d图像。您可以考虑一下，我们有形状为W x H的图像，并且图像有3个通道（RGB）。因此，我们可以将表示图像的3d张量馈送到该模型。

现在回到您的问题：“如何通过指定数量轻松地创建许多过滤器？例如100个过滤器。”。如果只想在每个输入通道中使用100个过滤器，则只需在conv1中设置100个过滤器，而不是6。这是人们通常在计算机视觉中所做的事情！

但是您绝对可以根据需要修改体系结构并确定最佳设置。

如何在pytorch中定义特定数量的卷积内核/过滤器？

1 个答案: