【一起深度学习吧！！！！！】24/05/03

卷积层里的多输入输出通道

• [1、 多输入通道：](#1、 多输入通道：)
• • 代码演示：
• 多输出通道：
• • 代码实现：

1、 多输入通道：

当输入包含多个通道时，需要构造一个输入通道与之相等的卷积核，以便进行数据互相关计算。

例如李沐老师中的例子：

输入有两个通道（前后），故卷积核也应有两个输入通道。

计算式子如下：

(11 + 2 2 + 43 + 5 4) + (00 + 1 1 + 32 + 43) = 56

代码演示：

import torch
from d2l import torch as d2l

def corr2d_multi_in(X, K):
    # 先遍历"X"和"K"的第0个维度（通道维度），再把它们加在一起
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))

X = torch.tensor([
                   [[0.0, 1.0, 2.0],
                   [3.0, 4.0, 5.0],
                   [6.0, 7.0, 8.0]
                    ],
                 [
                  [1.0, 2.0, 3.0],
                  [4.0, 5.0, 6.0],
                  [7.0, 8.0, 9.0]
                 ]
                  ])
K = torch.tensor([[[0.0, 1.0],
                   [2.0, 3.0]],
                  [[1.0, 2.0],
                   [3.0, 4.0]]
                  ])
print(X.shape)
print(K.shape)
print(corr2d_multi_in(X, K))

输出结果：

torch.Size(2, 3, 3)

torch.Size(2, 2, 2)

tensor(\[ 56., 72.,

104., 120.])
多个输入通道并不会影响输出张量个数。
zip() :

zip() 是将不同张量中的数据，对应位置拼接起来形成元组。

例如：

x = [1, 2, 3]
y = [4, 5, 6]
z = [7, 8, 9]

xyz = zip(x, y, z)

print xyz

'''结果是:'''
[(1, 4, 7), (2, 5, 8), (3, 6, 9)]

在本例子中呢，根据X，K的shape可知：

第一个元组：

tensor(\[0., 1., 2.,

3., 4., 5.,

6., 7., 8.])

tensor(\[0., 1.,

2., 3.])

第二个元组：

tensor(\[1., 2., 3.,

4., 5., 6.,

7., 8., 9.])

tensor(\[1., 2.,

3., 4.])

多输出通道：

多个输出通道，也就意味着有多个卷积核的存在。

代码实现：

def corr2d_multi_in_out(X, K):
    # 迭代"K"的第0个维度，每次都对输入"X"执行互相关运算。
    # 最后将所有结果都叠加在一起
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)
K = torch.stack((K, K + 1, K + 2), 0)
K.shape

torch.stack(),实现将多个张量堆叠起来，0表示从0维的位置插入。

K = torch.stack((K, K + 1, K + 2), 0) 如何理解这句代码呢？

K 一开始我们就定义了：

K = torch.tensor(\[\[0.0, 1.0,

2.0, 3.0],

\[1.0, 2.0,

3.0, 4.0\]

])

那么K+1 也就是在K的基础上，将所有元素进行加一操作。

通过stack将K，K+1,K+2 三个不同的张量（三个不同的卷积核）堆叠在一起，形成了三个输出通道。与X进行互相关操作。