Python 为什么MXnet中的卷积函数有一个核参数

我是mxnet的新手，在官方文档中，卷积层的生成可能是

conv = nd.Convolution(data=data, weight=W, bias=b, kernel=(3,3), num_filter=10)

但要求

权重

参数需要采用4-D张量

W = [weight_num, stride, kernel_height, kernel_width]

---

那么为什么我们仍然需要在

卷积

函数中设置

内核

参数呢？

内核

参数设置内核大小，它可以是：

• （宽度，）-用于1D卷积
• （高度、宽度）-用于二维卷积
• （深度、高度、宽度）-用于三维卷积

它只定义形状

权重

和

偏差

参数包含要训练的实际参数。实际值将在这里

虽然您可能可以通过提供的

权重

计算出

内核

（形状），但更具防御性的做法是要求明确提供

内核

形状，而不是根据传递给

权重

的参数进行计算

以下是2D卷积的一个示例：

# shape is batch_size x channels x height x width
x = mx.nd.random.uniform(shape=(100, 1, 9, 9))
# kernel is just 3 x 3, 
# weight is num_filter x channels x kernel_height x kernel_width
# bias is num_filter
mx.nd.Convolution(data=x, 
                  kernel=(3, 3), 
                  num_filter=5, 
                  weight=mx.nd.random.uniform(shape=(5, 1, 3, 3)), 
                  bias=mx.nd.random.uniform(shape=(5,)))

解释1D、2D或3D卷积情况下各种参数形状的文档非常好：