Python 如何在pytorch中定义特定数量的卷积核/过滤器？

在pytorch网站上，他们的教程中有以下模型

class BasicCNN(nn.Module):
    def __init__(self):
        super(BasicCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = x.permute(0, 3, 1, 2)
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

这个模型有多少内核/过滤器？是两个吗？例如conv1和conv2。如何通过指定过滤器的数量轻松创建多个过滤器？例如，100个过滤器

---

谢谢

你的问题有点模棱两可，但让我试着回答一下

通常，在卷积层中，我们将滤波器的数量设置为

out\u通道的数量

。但这不是直截了当的。让我们根据您提供的示例进行讨论

卷积层参数是什么

输出：

conv1.weight torch.Size([6, 3, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])

解释

让我们在上面的模型中考虑<代码>我们可以说，有6个滤波器的形状

5x5

，因为我们选择了二维卷积。由于输入通道的数量为3，因此总共有

6x3=18

内核

在这里，该模型的输入是类似3d的图像。你可以考虑，我们有图像的形状<代码> W x H < /代码>，并且有3个通道（RGB）用于图像。因此，我们可以将表示图像的三维张量输入到这个模型中

---

现在回到您的问题，“如何通过指定过滤器的数量轻松创建多个过滤器？例如100个过滤器。”。如果您只想在每个输入通道中使用100个过滤器，那么只需在

conv1

中设置100，而不是

6

。这通常是人们在计算机视觉中所做的

---

但您完全可以根据需要修改架构并确定最佳设置。

输入和输出通道是nn.Conv2d的参数。它们可以有效地确定过滤器的数量和流经网络的数据量的大小。在这里阅读更多：我还创建了一个3D RGB图像上的2D卷积实现，您可以使用它来处理这个问题并获得一些直觉。

conv1.weight torch.Size([6, 3, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])