(原)CNN中的卷积1x1卷积及在pytorch中的验证

Posted darkknightzh

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了(原)CNN中的卷积1x1卷积及在pytorch中的验证相关的知识,希望对你有一定的参考价值。

转载请注明处处:

http://www.cnblogs.com/darkknightzh/p/9017854.html

参考网址:

https://pytorch.org/docs/stable/nn.html?highlight=conv2d#torch.nn.Conv2d

https://www.cnblogs.com/chuantingSDU/p/8120065.html

https://blog.csdn.net/chaolei3/article/details/79374563

1x1卷积

https://blog.csdn.net/u014114990/article/details/50767786

https://www.quora.com/How-are-1x1-convolutions-used-for-dimensionality-reduction

https://www.reddit.com/r/MachineLearning/comments/3oln72/1x1_convolutions_why_use_them/?st=is9xc9jn&sh=7b774d4d

 

理解错误的地方敬请谅解。

1.  卷积

才发现一直理解错了CNN中的卷积操作。

假设输入输出大小不变,输入是N*Cin*H*W,输出是N*Co*H*W。其中N为batchsize。卷积核的大小是k*k。实际上共有Cin*Co个k*k的卷积核,总共的参数是Cin*k*k*Co(无bias)或者Cin*k*k*Co+Co(有bias)。

pytorch中给出了conv2d的计算公式

https://pytorch.org/docs/stable/nn.html?highlight=conv2d#torch.nn.Conv2d):

$out({{N}_{i}},C{{o}_{j}})=bias(C{{o}_{j}})+\\sum\\limits_{k=0}^{Cin-1}{weight(C{{o}_{j}},k)*input({{N}_{i}},k)}$

其中weight即为卷积核,上式中输出的batch中的第Ni个特征图的第Coj个特征,即为输入的第Ni个特征图的第k个特征,和第Coj个卷积核中的第k个核进行卷积(cross-correlation)。

如下图所示,对于某个输入特征图,其某局域分别于Co个卷积核进行卷积,得到对应的特征Coi,而后将这些特征拼接起来,得到最终的特征图。实际上每个卷积核都是k*k*Cin的大小。

经过上面的卷积,就可以将输入的不同的通道的信息融合了(权重不同,类似于加权融合)。

如果输出Co数量大于输入Cin数量,输出特征数量就多于输入特征。否则输出就少于输入特征数量。

2.  1*1卷积

上面的卷积理解了,1*1卷积就好理解了。

1*1主要用于降维或者升维(看Cin和Co哪个更大),其核大小为1*1。

实际上卷积核的数量为Cin*1*1*Co=Cin*Co(无bias)或者Cin*Co+Co(有bias)。

计算时,通道方向上每个卷积核将输入按照通道进行加权,得到对应的输出特征,之后将这些特征拼接起来,即可得到最终的特征图。

3.  pytorch中的验证

代码:

 1 from __future__ import print_function
 2 from __future__ import division
 3 
 4 import torch.nn as nn
 5 import numpy as np
 6 
 7 class testNet(nn.Module):
 8     def __init__(self):
 9         super(testNet, self).__init__()
10         self.conv1 = nn.Conv2d(in_channels=3, out_channels=10, kernel_size=5, stride=1, padding=1, bias=True)
11 
12     def forward(self, x):
13         x = self.conv1(x)
14         return x
15 
16 def get_total_params(model):
17     model_parameters = filter(lambda p: p.requires_grad, model.parameters())
18     num_params = sum([np.prod(p.size()) for p in model_parameters])
19     return num_params
20 
21 def main():
22     net = testNet()
23     print(get_total_params(net))
24 
25 if __name__ == \'__main__\':
26     main()

上面代码中get_total_params用于得到模型总共的参数。

当kernel_size=5,bias=True时,参数共计760个:3*5*5*10+10=760。

当kernel_size=5,bias=False时,参数共计750个:3*5*5*10=750。

 

当kernel_size=1,bias=True时,参数共计40个:3*1*1*10+10=40。

当kernel_size=1,bias=False时,参数共计30个:3*1*1*10=30。

 

以上是关于(原)CNN中的卷积1x1卷积及在pytorch中的验证的主要内容,如果未能解决你的问题,请参考以下文章

CNN 中, 1X1卷积核到底有什么作用

详解pytorch CNN操作

干货使用Pytorch实现卷积神经网络

基于pytorch使用实现CNN 如何使用pytorch构建CNN卷积神经网络

深入浅出卷积神经网络及实现!

基于pytorch使用实现CNN 如何使用pytorch构建CNN卷积神经网络