参数介绍torch.nn.Conv1d(in_channels,out_channels,kernel_size,stride,padding,padding_modedilation,groups,bias,)in_channels:(int)输入数据的通道数，即对某条训练数据来说由多少组向量表示。例如对于由一维向量表示的一条数据来说，通道数为1；对于文本数据来说，一个句子是由m个单词组成，那么通道数就可以是mout_channels:(int)卷积产生的通道数，可以理解为卷积核的个数kernel_size:(intortuple)卷积核的大小，若参数为元组，元组中应只有一个元素stride
文章目录1.函数语法格式2.参数解释3.尺寸关系4.使用案例5.nn.functional.conv2d1.函数语法格式CONV2D官方链接torch.nn.Conv2d( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)2.参数解释in_channels：输入的通道数，RGB图像的输入通道数为3out_channels：输出的通道数kernel_size：卷积核的
文章目录1.函数语法格式2.参数解释3.尺寸关系4.使用案例5.nn.functional.conv2d1.函数语法格式CONV2D官方链接torch.nn.Conv2d( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)2.参数解释in_channels：输入的通道数，RGB图像的输入通道数为3out_channels：输出的通道数kernel_size：卷积核的
PyTorch学习笔记：nn.LeakyReLU——LeakyReLU激活函数功能：逐元素对数据应用如下函数公式进行激活LeakyReLU(x)=max(0,x)+α∗min(0,x)\text{LeakyReLU}(x)=\max(0,x)+\alpha*\min(0,x)LeakyReLU(x)=max(0,x)+α∗min(0,x)或者LeakyReLU(x)={x,ifx≥0α×x,otherwise\begin{aligned}\text{LeakyReLU}(x)=\left\{\begin{matrix}x,\quad&if\quadx≥0\\\alpha\timesx,\q
PyTorch学习笔记：nn.LeakyReLU——LeakyReLU激活函数功能：逐元素对数据应用如下函数公式进行激活LeakyReLU(x)=max(0,x)+α∗min(0,x)\text{LeakyReLU}(x)=\max(0,x)+\alpha*\min(0,x)LeakyReLU(x)=max(0,x)+α∗min(0,x)或者LeakyReLU(x)={x,ifx≥0α×x,otherwise\begin{aligned}\text{LeakyReLU}(x)=\left\{\begin{matrix}x,\quad&if\quadx≥0\\\alpha\timesx,\q
文章目录反卷积的作用卷积中padding的几个概念NoPaddingHalf(Same)PaddingFullPadding反卷积反卷积中的Padding参数反卷积的stride参数反卷积的output_padding参数反卷积总结参考资料反卷积的作用传统的卷积通常是将大图片卷积成一张小图片，而反卷积就是反过来，将一张小图片变成大图片。但这有什么用呢？其实有用，例如，在生成网络(GAN)中，我们是给网络一个向量，然后生成一张图片所以我们需要想办法把这个向量一直扩，最终扩到图片的的大小。卷积中padding的几个概念在了解反卷积前，先来学习传统卷积的几个padding概念，因为后面反卷积也有相同
文章目录反卷积的作用卷积中padding的几个概念NoPaddingHalf(Same)PaddingFullPadding反卷积反卷积中的Padding参数反卷积的stride参数反卷积的output_padding参数反卷积总结参考资料反卷积的作用传统的卷积通常是将大图片卷积成一张小图片，而反卷积就是反过来，将一张小图片变成大图片。但这有什么用呢？其实有用，例如，在生成网络(GAN)中，我们是给网络一个向量，然后生成一张图片所以我们需要想办法把这个向量一直扩，最终扩到图片的的大小。卷积中padding的几个概念在了解反卷积前，先来学习传统卷积的几个padding概念，因为后面反卷积也有相同
3D卷积比Conv2D多一个维度。举例说明：Conv2D对720×720的3通道图像进行卷积，batch_size设为64，则输入向量的维度为[64,3,720,720],Conv3D对分辨率为720×720的视频(假设为连续5帧)进行卷积，batch_size设为64，则输入向量的维度为[64,3,5,720,720]torch.nn.Conv3d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros') 参数详解in_channels
3D卷积比Conv2D多一个维度。举例说明：Conv2D对720×720的3通道图像进行卷积，batch_size设为64，则输入向量的维度为[64,3,720,720],Conv3D对分辨率为720×720的视频(假设为连续5帧)进行卷积，batch_size设为64，则输入向量的维度为[64,3,5,720,720]torch.nn.Conv3d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros') 参数详解in_channels
官方文档链接：MultiheadAttention—PyTorch1.12documentation目录多注意头原理pytorch的多注意头解读官方给的参数解释：多注意头的pytorch使用完整的使用代码多注意头原理MultiheadAttention，翻译成中文即为多注意力头，是由多个单注意头拼接成的它们的样子分别为：👇 单头注意力的图示如下：单注意力头 整体称为一个单注意力头，因为运算结束后只对每个输入产生一个输出结果，一般在网络中，输出可以被称为网络提取的特征，那我们肯定希望提取多种特征，[比如说我输入是一个修狗狗图片的向量序列，我肯定希望网络提取到特征有形状、颜色、纹
