企业官网建设流程全解析

网站优化seo怎么做,app的推广方式有哪些,wordpress重启,wordpress静态文件目录下1 问题验证卷积层输入输出shape 的计算公式。多个卷积层连续输出的方法。2 方法可以采用“截图文字代码”的方式描述。1、我们在对图片进行卷积操作后会得到特征图#xff0c;它与我们输入的原图的shape不同。通过在网上查阅#xff0c;我们得到输出高度 (输入高度 - 卷积核…1问题验证卷积层输入输出shape的计算公式。多个卷积层连续输出的方法。2方法可以采用“截图文字代码”的方式描述。1、我们在对图片进行卷积操作后会得到特征图它与我们输入的原图的shape不同。通过在网上查阅我们得到输出高度 (输入高度 - 卷积核高度 2 * 填充) / 步幅 1输出宽度 (输入宽度 - 卷积核宽度 2 * 填充) / 步幅 1。我在刚开始尝试的时候把公式中的步幅1一并作为分母最后得到的结果一直与程序跑出来的结果不同改正后计算结果与程序的结果终于相同了。2、import torchfrom torch import nnconv nn.Conv2d(in_channels 3,out_channels 64,kernel_size 3,stride1,padding1,)conv1 nn.Conv2d(in_channels64,out_channels128,kernel_size3,stride2,)if __name__ __main__:x torch.rand(size(3, 24, 24))out conv(x)print(out.shape)out1 conv1(out)print(out1.shape)为了连续输出卷积层我将第一个卷积层的输出作为了第二个卷积层的输入需要注意的时第一个卷积层的out_channels要与第二层的in_channales相等不然就无法进行。如上述代码我给的输入层数据为32424得到的结果如下图3结语本次我主要探索的就是卷积层连续输出方法我也在网络上查询了方法单座后的结果却是出乎意料的简单只需要对上通道数就可以了。