IUniverse2021-11-01x=torch.rand((3,128,128)).unsqueeze(0) print(x.shape) in_channel_DW=x.shape[1] out_channel_DW=x.shape[1] kernel_size=3 DW=nn.Conv2d(in_channel_DW,out_channel_DW,kernel_size,groups=in_channel_DW) in_channels_PW=out_channel_DW out_channels_PW=10 PW=nn.Conv2d(in_channels_PW,out_channels_PW,1) output=PW(DW(x)) print(output.shape)作者回复: 你好，IUniverse。感谢你的留言。正确👍🏻👍🏻👍🏻，^^。
共 2 条评论4
sonald2022-02-25我觉得没有解释清楚“它最大的优点就是不需要缩小特征图，也可以获得更大的感受野。”，感受野是增大了，特征图没缩小吗？作者回复: 你好，sonald，感谢你的留言。 是的，特征图没有缩小。
共 2 条评论2
黑暗骑士2022-02-22老师好，请问为什么in_channel_DW=x.shape[1]，x.shape[0]才是通道啊？作者回复: hello，感谢你的留言。 你看这段代码， # 生成一个三通道的5x5特征图 x = torch.rand((3, 5, 5)).unsqueeze(0) print(x.shape) # 输出：torch.Size([1, 3, 5, 5]) 后面还有个unsqueeze(0)，x的第0位是1，也就是batch_size
共 2 条评论2
醒狮2022-08-04 来自北京老师，我另外有一个问题没想明白，就是这个“groups”到底是怎么一回事？groups的定义是需要out和in_channels都能整除groups吗？我的理解是把输入和输出的通道除groups之后进行配对，各自组成小的基本卷积（比如除完之后又2组in，就将这两组in当做两个通道，让后out处完之后有3组，就当做一个卷积核的3个通道，再进行基本卷积）让后再把这groups这么多组得出的结果加和在一起组成新的单独的一个输出特征图，大概是这个意思吗？谢谢老师，您辛苦了！作者回复: 抱歉回复迟了。 要求是必须整除。 不是in当做两组通道，是相当于两个组，每个组里有输入特征图的二分之一个特征。
1
硕掌柜2022-11-08 来自北京老师您好，当我从原理上知道一个Conv2d的计算量是m * n * k * k * h' * w' 后，pytorch是否提供了函数可以查看，当给定一个batch数据时 / batchsize = 1时的计算量（理解为运算的次数）呢作者回复: 你好，可以看看这个能不能帮到你。 https://github.com/1adrianb/pytorch-estimate-flops
John(易筋)2022-08-04 来自北京import torch import torch.nn as nn # 生成一个三通道的128x128特征图 x = torch.rand((3,128,128)).unsqueeze(0) print(x.shape) # 请注意DW中，输入特征通道数与输出通道数是一样的 in_channels_dw = x.shape[1] out_channels_dw = x.shape[1] # 一般来讲DW卷积的kernel size为3 kernel_size = 3 stride = 1 # DW卷积groups参数与输入通道数一样 dw = nn.Conv2d(in_channels_dw, out_channels_dw, kernel_size, stride, groups=in_channels_dw) in_channels_pw = out_channels_dw out_channels_pw = 10 pw = nn.Conv2d(in_channels_pw, out_channels_pw, kernel_size_pw, stride) output = pw(dw(x)) print(output.shape) # Output torch.Size([1, 3, 128, 128]) torch.Size([1, 10, 126, 126])展开作者回复: 👍🏻
- 醒狮2022-08-04 来自北京import torch import torch.nn as nn a = torch.rand(3,128,128) # 注：torch.tensor的分类是（batch_size,channels，w，h） a = torch.unsqueeze(a,0) print(a.shape) dw = nn.Conv2d(3,3,(3,3),stride=(3,3),groups=3) dw = dw(a) pw = nn.Conv2d(3,10,(1,1)) b = pw(dw) print(b) 老师好，请您检查一下，谢谢您！
作者回复: 👍🏻 ^^看起来没问题
Geek_6225082022-06-06请问，您这种动态图是用什么画的呢？作者回复: hi，你好，我是直接引用文中的github的动图。具体怎么做我也没尝试过，不好意思啊。
亚林2022-05-17import torch import torch.nn as nn # 生成一个三通道的128x128特征图 x = torch.rand((3, 128, 128)).unsqueeze(0) print(x.shape) # 请注意DW中，输入特征通道数与输出通道数是一样的 in_channels_dw = x.shape[1] out_channels_dw = x.shape[1] # 一般来讲DW卷积的kernel size为3 kernel_size = 3 stride = 1 # DW卷积groups参数与输入通道数一样 dw = nn.Conv2d(in_channels_dw, out_channels_dw, kernel_size, stride, groups=in_channels_dw) in_channels_pw = out_channels_dw out_channels_pw = 10 kernel_size_pw = 1 pw = nn.Conv2d(in_channels_pw, out_channels_pw, kernel_size_pw, stride) out = pw(dw(x)) print(out.shape)展开作者回复: 👍🏻👍🏻👍🏻
- zhangting2022-05-10请问下，感受野=输入特征图中蓝色加橘黄色部分，但是为啥不计算原图中右边和下边的白色格子？然后就是原图是6X6不是5X5
作者回复: 你好，zhangting，感谢留言。 当卷积核滑动的时候，就会计算右边和下边白色格子。 对是6x6，Sorry，这块我忘记改了。稍后我改一下。