conv1d和conv2d的区别（conv2d和conv3d）

一、卷积<a href='/tag/120'>操作</a>的维度<a href='/tag/270'>计算</a> 卷积操作的维度计算是定义神经网络结构的重要问题，在使用如PyTorch、Tensorflow等深度学习<a href='/tag/99'>框架</a><a href='/tag/72'>搭建</a>神经网络的时候，对每一层输入的维度和输出的维度都必须计算准确，否则容易出错，这里将详细说明相关的维度计算。 首先，我们看一下卷积操作涉及的东西，<a href='/tag/86'>一个</a>卷积操作需要定义卷积核的大小、输入图像的padding长度以及卷积操作的步长。以一个二维输入为例，一个多卷积核操作的示意图如下： <center> ![](https://indoml.files.wordpress.com/2018/03/convolution-with-multiple-filters2.png?w=979) </center> 这个例子的输入数据是一个三维数据，带有通道数，输入数据第三个维度是通道数，使用了两个卷积核（滤波器）扫描得到两个二维图像（一个卷积核对一个三维数据，即带多个通道的二维数据扫描可以得到一个图像，要求卷积核也是三维，且通道数和输入数据通道数一样），组成输出数据的两个通道。下面我们来描述具体计算。 假设输入数据大小是： ```math w imes h ``` 其中，w是宽度，h是高度。卷积核大小是: ```math f imes f ``` padding的长度是p（padding），步长是s（stride）： 那么经过卷积操作之后，输出的数据大小： ```math lfloorfrac{w + 2p - f}{s} +1 floor imes lfloor frac{h +2p - f }{p} + 1 floor ``` 如果输入的数据是三维数据，即： ```math w imes h imes c ``` 其中，w是宽度，h是高度，c是通道数（对于RGB图像输入来说，这个值一般是3，在文本处理中，通常是不同embedding模型的个数，如采用腾讯训练的、谷歌训练的等）。 这个时候的卷积核通常也是带通道的三维卷积核： ```math f imes f imes c ``` 注意，一般来说，卷积核的通道数c和输入数据的通道数是一致的。因此，这个时候卷积之后的输出依然是一个二维数据，其大小为： ```math lfloor frac{w + 2p - f}{s} +1 floor imes lfloor frac{h +2p - f}{s} + 1 floor ``` 这里的维度做了向下取整，防止结果不是整数的情况。假如希望输出的也是带通道的结果，那么这时候就要使用多个卷积核来操作了，最终输出的数据维度是： ```math lfloor frac{w + 2p - f }{s} +1 floor imes lfloor frac{h +2p - f}{p} + 1 floor imes c' ``` 其中$c`$是卷积核的个数。 二、深度学习框架中Conv1d、Conv2d 在像PyTorch、Tensorflow中，都有类似Conv1d、Conv2d和Conv3d的操作。这也都和卷积操作的维度有关，里面的参数都要定义好。例如如下的卷积操作： ```python self.convs = nn.Sequential( nn.Conv1d(in_channels=32, out_channels=16, kernel_size=5, stride=1, padding=0), nn.BatchNorm1d(16), nn.ReLU(inplace=True) ) ``` 这里面的参数要定义好，否则容易出错。我们将分别介绍。 Conv1d是一维卷积操作，它要求输入的数据是三维的，即： ```math ext{min batch size} imes ext{in channels number} imes L_{in} ``` 最终输出的参数也是三维的： ```math ext{min batch size} imes ext{out channels number} imes L_{out} ``` 这里的out_channels定义了将由几个卷积核来扫描，kernel_size则定义了每一个卷积核大小，都可以自有定义。最终，输出的min_batch_size不变，out_channels数量根据定义的参数来，而输出的width计算如下： ```math lfloor frac{L_{in} + 2p - f}{s} +1 floor ``` 类似的，如果使用Conv2D做卷积操作，那么输入就是四维的： ```math N imes C_{in} imes H_{in} imes W_{in} ``` 这里的$N$是min batch size，$C_{in}$是输入数据的通道数，$H_{in}$是输入数据的高度，$W_{in}$是输入数据的宽度。其输出也是四维的，根据定义的卷积核大小和数量得到的输出维度如下： ```math N imes C_{out} imes H_{out} imes W_{out} ``` 其中，$C_{out}$是根据卷积核的数量定义的输出数据的通道数，因为一个卷积核只能扫描得到一个二维图。其中$H_{out}$和$W_{out}$的计算如下： ```math H_{out} = lfloor frac{H_{in} + 2p - f}{s} +1 floor ``` ```math W_{out} = lfloor frac{W_{in} + 2p - f}{s} +1 floor ```

到此这篇conv1d和conv2d的区别（conv2d和conv3d）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！

上一篇：合并有序数组c++语言（合并有序数组复杂度）

下一篇： conda创建虚拟环境怎么删除（conda创建虚拟环境报错）

版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/18459.html

相关文章：