pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
参数详解in_channels,#输入数据的通道数out_channels,#输出数据的通道数(就是我想让输出多少通道,就设置为多少)kernel_size,#卷积核的尺寸(如(3,2),3与(3,3)等同)stride=1,#卷积步长,就是卷积操作时每次移动的格子数padding=0,#原图周围需要填充的格子行(列)数output_padding=0,#输出特征图边缘需要填充的行(列)数,一般不
文章共558字 · 阅读需要大约2分钟
一键AI生成摘要,助你高效阅读
问答
·
参数详解
in_channels,
#输入数据的通道数
out_channels,
#输出数据的通道数(就是我想让输出多少通道,就设置为多少)
kernel_size,
#卷积核的尺寸(如(3,2),3与(3,3)等同)
stride=1,
#卷积步长,就是卷积操作时每次移动的格子数
padding=0,
#原图周围需要填充的格子行(列)数
output_padding=0,
#输出特征图边缘需要填充的行(列)数,一般不设置
groups=1,
#分组卷积的组数,一般默认设置为1,不用管
bias=True
#卷积偏置,一般设置为False,True的话可以增加模型的泛化能力
torch.nn.ConvTranspose2d( in_channels, #输入数据的通道数
out_channels, #输出数据的通道数(就是我想让输出多少通道,就设置为多少)
kernel_size, #卷积核的尺寸(如(3,2),3与(3,3)等同)
stride=1, #卷积步长,就是卷积操作时每次移动的格子数
padding=0, #原图周围需要填充的格子行(列)数
output_padding=0, #输出特征图边缘需要填充的行(列)数,一般不设置
groups=1, #分组卷积的组数,一般默认设置为1,不用管
bias=True #卷积偏置,一般设置为False,True的话可以增加模型的泛化能力
)
特征图尺寸计算
out_size = (in_size - 1) * S + K - 2P + output_padding
其中,K为kernel_size的设置值,P为padding的设置值,S为stride的设置值,output_padding为该超参的设置值
更多推荐
已为社区贡献5条内容
所有评论(0)