雖然每個圖像具有多個通道和多層卷積層。例如彩色圖像具有標(biāo)準(zhǔn)的RGB通道來指示紅、綠和藍(lán)。但是到目前為止，我們僅展示了單個輸入和單個輸出通道的簡化例子。這使得我們可以將輸入、卷積核和輸出看作二維張量。

當(dāng)我們添加通道時，我們的輸入和隱藏的表示都變成了三維張量。例如，每個RGB輸入圖像具有 3 × h × w 的形狀。我們將這個大小為3的軸稱為通道（channel）維度。在本節(jié)中，我們將更深入地研究具有多輸入和多輸出通道的卷積核。

多輸入通道

當(dāng)輸入包含多個通道時，需要構(gòu)造一個與輸入數(shù)據(jù)具有相同輸入通道數(shù)目的卷積核，以便與輸入數(shù)據(jù)進(jìn)行互相關(guān)計算。

多輸出通道

到目前為止，不論有多少輸入通道，我們還只有一個輸出通道。然而，每一層有多個輸出通道是至關(guān)重要的。
在最流行的神經(jīng)網(wǎng)絡(luò)架構(gòu)中，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，我們常會增加輸出通道的維數(shù)，通過減少空間分辨率以獲得更大的通道深度。
直觀地說，我們可以將每個通道看作是對不同的特征的相應(yīng)。

1×1卷積層

1 × 1卷積，這看起來似乎沒有多大意義。畢竟，卷積的本質(zhì)是有效提取相鄰像素間的相關(guān)特征，而 1 × 1卷積顯然沒有此作用。盡管如此， 1 × 1 仍然十分流行，時常包含在復(fù)雜深層網(wǎng)絡(luò)的設(shè)計中。

因為使用了最小窗口， 1 × 1 卷積失去了卷積層的特有能力——在高度核寬度維度上，識別相鄰元素間相互作用的能力。其實， 1 × 1 卷積的唯一計算發(fā)生在通道上。

下圖展示了使用 1 × 1 卷積核與3個輸入通道和2個輸出通道的互相關(guān)計算。這里輸入和輸出具有相同的高度和寬度，輸出中的每個元素都是從輸入圖像中的同一位置的元素的線性組合。我們可以將 1 × 1 卷積層看作是在每個像素位置應(yīng)用的全連接層。

以上就是Python深度學(xué)習(xí)pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道的詳細(xì)內(nèi)容，更多關(guān)于pytorch神經(jīng)網(wǎng)絡(luò)多輸入多輸出通道的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。