pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解

参数详解

in_channels,
#输入数据的通道数
out_channels,
#输出数据的通道数(就是我想让输出多少通道,就设置为多少)
kernel_size,
#卷积核的尺寸(如(3,2),3与(3,3)等同)
stride=1,
#卷积步长,就是卷积操作时每次移动的格子数
padding=0,
#原图周围需要填充的格子行(列)数
output_padding=0,
#输出特征图边缘需要填充的行(列)数,一般不设置
groups=1,
#分组卷积的组数,一般默认设置为1,不用管
bias=True
#卷积偏置,一般设置为False,True的话可以增加模型的泛化能力

torch.nn.ConvTranspose2d(   in_channels,  #输入数据的通道数
							out_channels, #输出数据的通道数(就是我想让输出多少通道,就设置为多少)
							kernel_size,  #卷积核的尺寸(如(3,2),3与(3,3)等同)
							stride=1,     #卷积步长,就是卷积操作时每次移动的格子数
							padding=0,    #原图周围需要填充的格子行(列)数
							output_padding=0,   #输出特征图边缘需要填充的行(列)数,一般不设置
							groups=1,     #分组卷积的组数,一般默认设置为1,不用管
							bias=True     #卷积偏置,一般设置为False,True的话可以增加模型的泛化能力
							)

特征图尺寸计算

out_size = (in_size - 1) * S + K - 2P + output_padding

其中,K为kernel_size的设置值,P为padding的设置值,S为stride的设置值,output_padding为该超参的设置值

你可能感兴趣的:(库函数详解,网络搭建,深度学习,卷积神经网络,pytorch)