如何在pytorch中定义特定数量的卷积核/过滤器？答案

【问题标题】：How to define specific number of convolutional kernels/filters in pytorch?如何在pytorch中定义特定数量的卷积核/过滤器？
【发布时间】：2019-09-25 14:31:56
【问题描述】：

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 - 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！

【问题讨论】：

输入输出通道是nn.Conv2d的参数。它们有效地确定了过滤器的数量和流经网络的数据量的维度。在此处阅读更多信息：pytorch.org/docs/master/generated/torch.nn.Conv2d.html 我还在 3D RGB 图像上创建了 2D 卷积的实现，您可以使用它来玩弄这个并获得一些直觉。 stackoverflow.com/a/62678843/5484902

标签： python neural-network pytorch

【解决方案1】：

你的问题有点含糊，但让我试着回答一下。

通常，在卷积层中，我们将过滤器的数量设置为out_channels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。

什么是卷积层参数？

model = BasicCNN()
for name, params in model.named_parameters():
    if 'conv' in name:
        print(name, params.size())

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

让我们考虑上述模型中的conv1 层。我们可以说，有 6 个形状为5 x 5 的过滤器，因为我们选择了 2d 卷积。由于输入通道数为 3，所以总共有6 x 3 = 18 个内核。

这里，这个模型的输入是类似 3d 的图像。您可以考虑，我们有形状为 W x H 的图像，并且图像有 3 个通道 (RGB)。因此，我们可以将表示图像的 3d 张量提供给该模型。

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。”。如果您只想为每个输入通道使用 100 个过滤器，则只需在 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！

但您绝对可以根据需要修改架构并确定最佳设置。

【讨论】：