Fatal编程技术网
  • deep-learning/
  • Deep learning Pytorch为3x3,32 conv2d层和2x2 maxpool层添加超参数

Deep learning Pytorch为3x3,32 conv2d层和2x2 maxpool层添加超参数

deep-learning pytorch

Deep learning Pytorch为3x3,32 conv2d层和2x2 maxpool层添加超参数,deep-learning,pytorch,conv-neural-network,hyperparameters,Deep Learning,Pytorch,Conv Neural Network,Hyperparameters,我正在尝试使用pytorch在下面创建一个conv2d层。超参数如下图所示。我不确定如何为第一个conv2d层实现超参数（3x3,32）。我想知道如何使用torch.nn.Conv2d。 多谢各位 conv2d超参数（3x3，32）表示内核大小=（3,3）和输出通道数=32。 因此，这就是您在图表中定义第一个conv层的方式： conv3x3\u 32=nn.Conv2d（输入通道=3，输出通道=32，内核大小=3） 请注意，输入通道超参数应与上一层（或输入通道）的输出通道匹配 有关更多详细信

我正在尝试使用pytorch在下面创建一个conv2d层。超参数如下图所示。我不确定如何为第一个conv2d层实现超参数（3x3,32）。我想知道如何使用
torch.nn.Conv2d
。 多谢各位

conv2d超参数（
3
x
3
，
32
）表示
内核大小=（3,3）
和输出通道数=32。
因此，这就是您在图表中定义第一个conv层的方式：

conv3x3\u 32=nn.Conv2d（输入通道=3，输出通道=32，内核大小=3）
请注意，
输入通道
超参数应与上一层（或输入通道）的
输出通道
匹配

有关更多详细信息，请参见。

因此，如果
3x3
表示
内核大小=（3,3）
为什么
kernel\u大小=3
用于第一层？@J.doe请阅读文档，都在那里。感谢您的回复，只是为了澄清一下。第二层应该是
conv1x1\u 32=nn.Conv2d（in\u channels=32，out\u channels=32，kernel\u size=（1,1））
right？@J.doe yes-
in\u channels
是从上一层的
out\u channels
派生出来的。谢谢您的回复。我只想澄清最后一件事。此处使用的maxpool层是否正确
torch.nn.MaxPool2d（内核大小=（2,2））
非常感谢