6.4 多输入通道与多输出通道

6.4.0 头文件

import torch
from d2l import torch as d2l

 

6.4.1 多输入通道单输出通道卷积运算

# 定义多输入通道单输出通道卷积运算:将输入图像的第一个通道与卷积核第一个通道进行卷积运算，将输入图像的第二个通道与卷积核第二个通道进行卷积运算，依此类推，最后将所有卷积结果对应元素相加
def corr2d_multi_in(X, K):
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))

# 定义输入图像X（2通道，3行，3列）
X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],
               [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
# 定义卷积核K（2通道，2行，2列）
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])

Y = corr2d_multi_in(X, K)
print(Y)
# 输出：
# tensor([[ 56.,  72.],
#         [104., 120.]])
print(Y.shape)
# 输出：
# torch.Size([2, 2])

 

6.4.2 多输入通道多输出通道卷积运算

# 定义多输入多输出通道卷积运算：每个批量的卷积核与图像X进行一次多输入单输出卷积运算，每次卷积运算结果作为一个通道输出
def corr2d_multi_in_out(X, K):
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)

# 定义卷积核K（3批量，2通道，2行，2列）
K = torch.stack((K, K + 1, K + 2), 0)


Y = corr2d_multi_in_out(X, K)
print(Y)
# 输出：
# tensor([[[ 56.,  72.],
#          [104., 120.]],
#
#         [[ 76., 100.],
#          [148., 172.]],
#
#         [[ 96., 128.],
#          [192., 224.]]])

print(Y.shape)
# 输出：
# torch.Size([3, 2, 2])

 

本小节完整代码如下

import torch
from d2l import torch as d2l

# ------------------------------多输入通道单输出通道卷积运算------------------------------------

# 定义多输入通道单输出通道卷积运算:将输入图像的第一个通道与卷积核第一个通道进行卷积运算，将输入图像的第二个通道与卷积核第二个通道进行卷积运算，依此类推，最后将所有卷积结果对应元素相加
def corr2d_multi_in(X, K):
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))

# 定义输入图像X（2通道，3行，3列）
X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],
               [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
# 定义卷积核K（2通道，2行，2列）
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])

Y = corr2d_multi_in(X, K)
print(Y)
# 输出：
# tensor([[ 56.,  72.],
#         [104., 120.]])
print(Y.shape)
# 输出：
# torch.Size([2, 2])

# ------------------------------多输入通道多输出通道卷积运算------------------------------------

# 定义多输入多输出通道卷积运算：每个批量的卷积核与图像X进行一次多输入单输出卷积运算，每次卷积运算结果作为一个通道输出
def corr2d_multi_in_out(X, K):
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)

# 定义卷积核K（3批量，2通道，2行，2列）
K = torch.stack((K, K + 1, K + 2), 0)


Y = corr2d_multi_in_out(X, K)
print(Y)
# 输出：
# tensor([[[ 56.,  72.],
#          [104., 120.]],
#
#         [[ 76., 100.],
#          [148., 172.]],
#
#         [[ 96., 128.],
#          [192., 224.]]])

print(Y.shape)
# 输出：
# torch.Size([3, 2, 2])