Pytorch 之torch.nn初探卷积--Convolution Layers

任务描述

本关任务：

本关提供了一个Variable 类型的变量input，按照要求创建一 Conv1d变量conv，对input应用卷积操作并赋值给变量 output，并输出output 的大小。

conv1d

基本形式：

torch.nn.Conv1d (in_channels， out_channels， kernel_size， stride=1， padding=0， dilation=1， groups=1， bias=True)

用途：对输入样本应用一维卷积核

输入大小为

输出

这里i m e s代表 the valid cross -correlation operator。

参数说明:

|--------------|------------------------|------------------------|-----------|
| 参数名 | 参数类型 | 说明 | 默认值 |
| in_channels | int | 输入图像中的通道数量 | |
| out_channels | int | 卷积产生的通道数 | |
| kernel_size | int或 tuple | 循环内核的大小 | |
| stride | int or tuple， optional | 滑动窗口，指每次卷积对原数据滑动n个单元格。 | 默认为1 |
| padding | int or tuple， optional | 是否对输入数据填充0 | 默认为0（不填充） |
| dilation | int or tuple， optional | 卷积核之间的空格 | 默认为1 |
| groups | int ，optional | 将输入数据分组，通常不用管这个参数 | |
| bias | boolean ，optional | 偏移量参数，一般也不用管 | |

optional 表示可选 padding可以将输入数据的区域改造成是卷积核大小的整数倍，这样对不满足卷积核大小的部分数据就不会忽略了。通过padding参数指定填充区域的高度和宽度。

维度：

变量：

weight (Tensor) -- 模块的卷积核权重，也就是卷积核本。是一个三维数组(out_channels, in_channels, kernel_size)。out_channels是卷积核输出层的神经元个数，也就是这层有多少个卷积核；in_channels是输入通道数；kernel_size是卷积核的宽度。
bias (Tensor) -- 卷积核输出层的偏移量。

应用示例：

复制代码

m = nn.Conv1d(16, 33, 3, stride=2)
input = Variable(torch.randn(20, 16, 50))
output = m(input)
print(output.size())

输出结果： torch.Size( $20, 33, 24$ )

conv1d是一维卷积，它和conv2d的区别在于只对宽度进行卷积，对高度不卷积。

conv2d

基本形式：

torch.nn.Conv2d (in_channels， out_channels， kernel_size， stride=1， padding=0， dilation=1， groups=1， bias=True)

用途：对输入样本应用二维卷积核

输入大小为

输出

这里i m e s代表 the valid 2D cross -correlation operator

参数说明:

与 conv1d 相同

维度：

应用示例：

复制代码

#Conv2d

# With square kernels and equal stride
m = nn.Conv2d(16, 33, 3, stride=2)

# non-square kernels and unequal stride and with padding
m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))

input = Variable(torch.randn(20, 16, 50, 100))
output = m(input)
print(output.size())

输出结果： torch.Size( $20, 33, 28, 100$ )

编程要求

本关涉及的代码文件为convolution.py，本次编程任务是补全右侧代码片段中Begin至End中间的代码，具体要求如下：

创建一个in_channels=16, out_channels=33, kernel_size=3, stride=2的Conv1d变量conv；
对input应用卷积操作并赋值给变量 output；
输出 output 的大小。
具体请参见后续测试样例。

测试说明

测试过程：

本关涉及的测试文件为convolution.py，运行用户填写后的程序判断正误。
测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错。
请注意输出格式及规范。
注意，在声明变量时请按照提示命名，否则将会报错。

以下是测试样例：

测试输入：预期输出： torch.Size( $10, 24,13$ )

Congratulation!

代码实战

复制代码

import torch
import torch.nn as nn
from torch.autograd import Variable

input = Variable(torch.randn(10, 16, 40))

#/********** Begin *********/

#创建一个in_channels=16, out_channels=24, kernel_size=4, stride=3的Conv1d变量conv
conv = nn.Conv1d(16, 24, 4, stride=3)

#对input应用卷积操作并赋值给变量 output
output=conv(input)

#输出 output 的大小，要求输出不换行
print(output.size())

#/********** End *********/

Pytorch 之torch.nn初探 卷积--Convolution Layers

任务描述

相关知识

conv1d

conv2d

编程要求

测试说明

代码实战

Pytorch 之torch.nn初探卷积--Convolution Layers