如何在 pytorch 中定义特定数量的卷积核/过滤器？

Question

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

这个模型有多少个内核/过滤器？它是两个 - 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！

Answer 1

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，我们将过滤器的数量设置为 的数量out_channels。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？

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conv1上面模型中的层。我们可以说，有 6 个形状的过滤器，5 x 5因为我们选择了 2d Convolution。由于输入通道的数量是 3，所以总共有6 x 3 = 18内核。

在这里，这个模型的输入是 3d 图像。您可以考虑，我们有带形状的图像，W x H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，那么只需设置 100 inconv1而不是6. 这通常是人们在计算机视觉中所做的！

但是您绝对可以根据需要修改架构并确定最佳设置。