Conv重要参数介绍

文章目录

• 资料：
• 函数
• 参数
• • stride：步长
  • zero-padding：图像四周填0
  • dilation：控制 kernel 点之间的空间距离
  • groups：分组卷积
  • channel: 每个卷积层中卷积核的数量

资料：

https://blog.csdn.net/qq_34107425/article/details/104117670

函数

• Conv1d：常用于文本数据的处理
• Conv2d：一般用于二维图像

参数

stride：步长

zero-padding：图像四周填0

dilation：控制 kernel 点之间的空间距离

groups：分组卷积

• 将对应的输入通道与输出通道数进行分组, 默认值为1（默认输出输入的所有通道各为一组）。
  eg. 输入数据大小为90x100x100x32，通道数32，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层。
  如果group是2，那么对应要将输入的32个通道分成2个16的通道，将输出的48个通道分成2个24的通道。对输出的2个24的通道，第一个24通道与输入的第一个16通道进行全卷积，第二个24通道与输入的第二个16通道进行全卷积。

channel: 每个卷积层中卷积核的数量

• 一般的RGB图片，channels 数量是 3 （红、绿、蓝）
  eg. 假设现有一个为 6×6×3的图片样本，使用 3×3×3 的卷积核（filter）进行卷积操作。此时输入图片的 channels 为 3 ，而卷积核中的 in_channels 与 需要进行卷积操作的数据的 channels 一致（这里就是图片样本，为3） => 4*4

• 在实际应用中，都会使用多个卷积核。这里如果再加一个卷积核，就会得到 4×4×2的结果。
  
  1. InChannel: 最初输入的图片样本的 channels，取决于图片类型，比如RGB； 2. outChannel卷积操作完成后输出的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels； 3. 卷积核中的 in_channels ，刚刚2中已经说了，就是上一次卷积的 out_channels ，如果是第一次做卷积，就是1中样本图片的 channels 。