Python深度學習pytorch神經(jīng)網(wǎng)絡多輸入多輸出通道
雖然每個圖像具有多個通道和多層卷積層。例如彩色圖像具有標準的RGB通道來指示紅、綠和藍。但是到目前為止,我們僅展示了單個輸入和單個輸出通道的簡化例子。這使得我們可以將輸入、卷積核和輸出看作二維張量。
當我們添加通道時,我們的輸入和隱藏的表示都變成了三維張量。例如,每個RGB輸入圖像具有 3 × h × w 的形狀。我們將這個大小為3的軸稱為通道(channel)維度。在本節(jié)中,我們將更深入地研究具有多輸入和多輸出通道的卷積核。
多輸入通道
當輸入包含多個通道時,需要構造一個與輸入數(shù)據(jù)具有相同輸入通道數(shù)目的卷積核,以便與輸入數(shù)據(jù)進行互相關計算。

多輸出通道
到目前為止,不論有多少輸入通道,我們還只有一個輸出通道。然而,每一層有多個輸出通道是至關重要的。
在最流行的神經(jīng)網(wǎng)絡架構中,隨著神經(jīng)網(wǎng)絡層數(shù)的加深,我們常會增加輸出通道的維數(shù),通過減少空間分辨率以獲得更大的通道深度。
直觀地說,我們可以將每個通道看作是對不同的特征的相應。
1×1卷積層
1 × 1卷積,這看起來似乎沒有多大意義。畢竟,卷積的本質(zhì)是有效提取相鄰像素間的相關特征,而 1 × 1卷積顯然沒有此作用。盡管如此, 1 × 1 仍然十分流行,時常包含在復雜深層網(wǎng)絡的設計中。
因為使用了最小窗口, 1 × 1 卷積失去了卷積層的特有能力——在高度核寬度維度上,識別相鄰元素間相互作用的能力。其實, 1 × 1 卷積的唯一計算發(fā)生在通道上。
下圖展示了使用 1 × 1 卷積核與3個輸入通道和2個輸出通道的互相關計算。這里輸入和輸出具有相同的高度和寬度,輸出中的每個元素都是從輸入圖像中的同一位置的元素的線性組合。我們可以將 1 × 1 卷積層看作是在每個像素位置應用的全連接層。

以上就是Python深度學習pytorch神經(jīng)網(wǎng)絡多輸入多輸出通道的詳細內(nèi)容,更多關于pytorch神經(jīng)網(wǎng)絡多輸入多輸出通道的資料請關注腳本之家其它相關文章!
相關文章
TensorFlow安裝CPU版本和GPU版本的實現(xiàn)步驟
本文主要介紹了TensorFlow安裝CPU版本和GPU版本的實現(xiàn)步驟,文中通過圖文示例介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2025-03-03
Python3 操作 MySQL 插入一條數(shù)據(jù)并返回主鍵 id的實例
這篇文章主要介紹了Python3 操作 MySQL 插入一條數(shù)據(jù)并返回主鍵 id的實例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03
Python中不同圖表的數(shù)據(jù)可視化的實現(xiàn)
數(shù)據(jù)可視化是以圖形格式呈現(xiàn)數(shù)據(jù)。它通過以簡單易懂的格式匯總和呈現(xiàn)大量數(shù)據(jù),幫助人們理解數(shù)據(jù)的重要性,并有助于清晰有效地傳達信息。本文為大家準備了Python實現(xiàn)不同圖表數(shù)據(jù)可視化的代碼,需要的可以參考一下2022-08-08
Python中的裝飾器鏈(decorator chain)詳解
在Python中,裝飾器是一種高級功能,它允許你在不修改函數(shù)或類代碼的情況下,為它們添加額外的功能,裝飾器通常用于日志記錄、性能測量、權限檢查等場景,當多個裝飾器應用于同一個函數(shù)或類時,形成裝飾器鏈,這篇文章主要介紹了Python中的裝飾器鏈詳解,需要的朋友可以參考下2024-06-06
Django+uni-app實現(xiàn)數(shù)據(jù)通信中的請求跨域的示例代碼
這篇文章主要介紹了Django+uni-app實現(xiàn)數(shù)據(jù)通信中的請求跨域的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-10-10
Django中日期處理注意事項與自定義時間格式轉(zhuǎn)換詳解
這篇文章主要給大家介紹了關于Django中日期處理注意事項與自定義時間格式轉(zhuǎn)換的相關資料,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2018-08-08

