pytorch 1D卷积与1D深度可分离卷积

1.传统一维卷积：

2.改变groups：
将Input的通道分成groups个独立的通道，分别进行卷积。相应的卷积核的通道数也会减小，如下图所示。
下图将64个通道分成32个groups，每个组由两个通道构成，时间维保持不变。一个1d卷积核的大小为(64 / 32, kernel)。
由于output_channels = 128。
对每个group卷积一次会得到输出的一个channel，所以需要对32个group卷积（output_channels / groups = 128/32）4遍。因此要求output_channels / groups必须是可以除尽的。

3.深度可分离卷积
深度可分离卷积是让output_channels与input_channels相同，同时groups等于input_channels.
这时输出通道如输入通道相同，如果需要改变输出通道数，则再跟一个kernel等于1的1D卷积即可。

nn.Conv1d(input_channels = 64, output_channels = ？,kernel = 1,groups = 1)

pytorch 1D卷积与1D深度可分离卷积相关推荐

深度可分离卷积（Xception 与 MobileNet）
前言从卷积神经网络登上历史舞台开始,经过不断的改进和优化,卷积早已不是当年的卷积,诞生了分组卷积(Group convolution).空洞卷积(Dilated convolution 或 À tr ...
深度可分离卷积（DepthwiseSeparableConvolution）：Depthwise卷积与Pointwise卷积
0.前言 1.深度可分离卷积 1.1 depthwise卷积 1.2 pointwise卷积 2.代码实现参考 0.前言深度可分离卷积不用多说,在轻量级网络架构方面是一个绕不开的话题,只要接触深度 ...
【深度学习】利用深度可分离卷积减小计算量及提升网络性能
[深度学习]利用深度可分离卷积减小计算量及提升网络性能文章目录 1 深度可分离卷积 2 一个深度可分离卷积层的代码示例(keras) 3 优势与创新3.1 Depthwise 过程3.2 Point ...
分组卷积/转置卷积/空洞卷积/反卷积/可变形卷积/深度可分离卷积/DW卷积/Ghost卷积/
文章目录 1. 常规卷积 2. 分组卷积 3. 转置卷积 4. 空洞卷积 5. 可变形卷积 6. 深度可分离卷积(Separable Convolution) 6.1 Depthwise Convol ...
深度可分离卷积（计算过程及代码实现）
一.基本介绍深度可分离卷积是对传统卷积的改进,通过拆分空间维度和通道维度的相关性,减少了卷积计算所需要的参数个数.深度可分离卷积计算主要包含两个部分,第一部分是Depthwise Convoluti ...
关于深度可分离卷积 Depthwise Pointwise Convolution
关于Pointwise Convolution 最近在学习3维点云处理,这边有看到关于pointwise. (图源知乎:轻量化网络--MobileNet - 知乎 (zhihu.com)) ...
深度可分离卷积（Xception 相关）
卷积神经网络经过不断的改进和优化,卷积早已不是当年的卷积,诞生了分组卷积(Group convolution).空洞卷积(Dilated convolution 或 À trous)等各式各样的卷积. ...
Xception深度可分离卷积-论文笔记
Xception Xception: Deep Learning with Depthwise Separable Convolutions 角度:卷积的空间相关性和通道相关性 . 笔记还是手写好,都 ...
[Pytorch]torch.nn.functional.conv2d与深度可分离卷积和标准卷积
torch.nn.functional.conv2d与深度可分离卷积和标准卷积前言 F.conv2d与nn.Conv2d F.conv2d 标准卷积考虑Batch的影响深度可分离卷积深度可分离卷 ...

pytorch 1D卷积与1D深度可分离卷积

pytorch 1D卷积与1D深度可分离卷积相关推荐

最新文章

热门文章