Fatal编程技术网
  • deep-learning/
  • Deep learning torch.nn.conv2d和torch.nn.Linear中的值

Deep learning torch.nn.conv2d和torch.nn.Linear中的值

deep-learning pytorch

Deep learning torch.nn.conv2d和torch.nn.Linear中的值,deep-learning,pytorch,conv-neural-network,Deep Learning,Pytorch,Conv Neural Network,我知道如何在torch.nn.Conv2d中获取out\u频道，以及in\u特性、out\u特性intorch.nn.Linear 例如，我有一个非彩色28*28图像输入。 in\u channels=1，kernel\u size=5，padding=2我如何计算out\u channels 在卷积之后，我想做一个线性层。 如何计算in\u功能、out\u功能的值？选择out\u通道取决于您，这是您希望卷积层计算的过滤器数量。这个数字越高，图层就越重，但另一方面，它能够学习的功能就越多（理论上

我知道如何在
torch.nn.Conv2d
中获取
out\u频道
，以及
in\u特性、out\u特性
in
torch.nn.Linear

例如，我有一个非彩色28*28图像输入。 
in\u channels=1，kernel\u size=5，padding=2
我如何计算
out\u channels

在卷积之后，我想做一个线性层。
如何计算
in\u功能、out\u功能的值？
选择
out\u通道
取决于您，这是您希望卷积层计算的过滤器数量。这个数字越高，图层就越重，但另一方面，它能够学习的功能就越多（理论上）

经过卷积后（假设
out\u channels=C
），数据将具有形状
（C，28，28）
。换句话说，一个样本包含
28*28*C
数字/维度。对于以下线性层，您需要将该数字作为
输入到\u功能中。再说一遍，
out\u功能由您决定

我建议你在尝试使用神经网络创造奇迹之前，先阅读和学习神经网络（及其典型的卷积层和线性层）。如果没有必要的知识，你最多只能产生你并不真正理解的结果，最糟糕的是你不知道如何解决的问题。学习需要时间，但确实值得