Pytorch-基本命令中命令的含义；“前进”；通过

我是Pytorch的新手，如果有人能帮助我理解以下内容（如果我错了，请纠正我），我会很高兴，关于Pytorch中命令x.view的含义，以及一般关于卷积层的输入和完全连接层的输入：

def forward(self, x):
    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

据我所知，卷积层的输入256X256图像以其2D形式插入（即，256X256矩阵，或彩色图像的情况下为256X256X3）。然而，当我们将图像插入到完全连接的线性层时，我们需要首先将2D图像重塑为一维向量（我说的对吗？这在一般情况下是否也是正确的（或者仅在Pytorch中）？）。这就是为什么我们在将x插入完全连接的层之前使用命令“x=x.view（-1，16*5*5）”的原因吗

如果输入图像x为3D（例如256X256X256），上述“前进”函数的语法是否保持不变

---

提前感谢

这是Petteri Nevavuori的课堂讲稿，展示了如何从带有内核

K

的图像

I

生成特征图。对于内核的每个应用程序，都会计算一个点积，它实际上是

I

和

K

之间

K

大小的

I

区域内元素相乘的总和

您可以说内核寻找对角线特性。然后它搜索图像，并在左下角找到一个完美匹配的特征。否则，内核只能识别它所寻找的特性的部分。这就是为什么该产品被称为功能映射的原因，因为它告诉我们内核在应用它的图像的任何位置识别功能的能力

答复摘自：

---

我们假设一个输入图像的形状（<代码> W x H x 3 < /代码>），其中输入量有3个通道（RGB图像）。现在我们想为这个图像创建一个

ConvLayer

ConvLayer中的每个内核将使用输入卷的所有输入通道。让我们假设我们想要使用

3x3

内核。这个内核将有27个权重和1个偏差参数，因为（W*H*输入通道=3*3*3=27个权重）

输出通道数是层中使用的不同内核数。如果我们想输出64个通道，我们需要定义ConvLayer，以便它使用64个不同的3x3内核

如果您查看的文档，我们可以定义一个ConvLayer来模拟上述场景，如下所示

nn.Conv2d(3, 64, 3, stride=1)

其中in_通道=3，out_通道=64，内核_大小=3x3。查看文档中的步骤

---

如果您查看层的实现，您将看到线性操作模拟的基本数学方程：

y=Ax+b

根据层的pytorch文档，我们可以看到它需要输入shape

（N，∗,在_功能中）

且输出为形状

（N，∗,输出功能）

。因此，在您的情况下，如果输入图像

x

的形状

256 x 256 x 256

，并且您希望将所有（256*256*256）特征转换为特定数量的特征，则可以将线性层定义为：

llayer = nn.Linear(256*256*256, num_features)

---

是的，如果你是正确的，mlp通常是由一个一维图像提供的，第一维实际上代表批次中的样本数量。通常，视图相当于numpy中的“重塑”。对于3d的情况，你会做x=x.view（-1256*256*256）非常感谢克里斯！非常感谢瓦西·艾哈迈德！