1、torch.nn.Conv2d()
卷积层
用法:
-
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
参数:
in_channels:输入通道数【必填】,常见RGB图像输入通道数为3
out_channels:输出通道数【必填】,具体数值见网络结构
kernel_size:卷积核的大小,类型为int 或者元组,当卷积是正方形的时候,只需要一个整数边长即可,卷积不是正方形,要输入一个元组表示高和宽。【必填】,见具体网络结构
stride:步长,默认为1
padding:填充,设置在所有边界增加值为 0 的边距的大小,例如3*3结构,padding=1,变成5*5结构
dilation:卷积核之间间距,以3*3卷积核为例:
当dilation=0时:
当dilation=1时:
groups:控制输入和输出之间的连接。
bias: 是否将一个 学习到的 bias 增加输出中,默认是 True 。
padding_mode : 字符串类型,“zeros” 或 “circular”。
2、torch.nn.MaxPool2d()
最大池化层
用法:torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
参数:
kernel_size:最大池化窗口的尺寸
stride:步长,默认值为kernel_size
padding:填充
dilation:窗口中元素关系
return_indices :若设为True,会返回输出最大值的序号,上采样操作会用到
ceil_mode :若设为True,计算输出信号大小的时候,会使用向上取整,代替默认的向下取整的操作
3、torch.nn.ReLU()
线性整流函数
将输入小于0的值幅值为0,输入大于0的值不变。
4、torch.nn.Linear()
全连接层
用法:torch.nn.Linear(in_features,out_features,bias=True)
5、torch.nn.Dropout()
用法:torch.nn.Dropout(p)
p:丢弃多少(0.5-丢弃百分之五十)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)