Deep learning Pytorch为3x3,32 conv2d层和2x2 maxpool层添加超参数
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
torch.nn.Conv2d
。
多谢各位
conv2d超参数(
3
x3
,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