我的PyTorch网络架构如下所示。它接收大小为16x8x2048的输入,并给出大小为256x128x3的输出。我有一个特征图,我想在下面的架构中的每个上采样层之后,沿着通道维度附加它。在添加之前,我会将功能映射缩放到适当的分辨率。如何将这些要素图附加到网络的中间层
model = []
model += [Conv2dBlock(2048, 256, 3, 1, 1, norm='bn', activation=activ, pad_type=pad_type)]
model += [nn.Upsample(scale_factor=2, mode='bilinear')]
model += [Conv2dBlock(256, 128, 3, 1, 1, norm='bn', activation=activ, pad_type=pad_type)]
model += [nn.Upsample(scale_factor=2, mode='bilinear')]
model += [Conv2dBlock(128, 64, 3, 1, 1, norm='bn', activation=activ, pad_type=pad_type)]
model += [nn.Upsample(scale_factor=2, mode='bilinear')]
model += [Conv2dBlock(64, 32, 3, 1, 1, norm='bn', activation=activ, pad_type=pad_type)]
model += [nn.Upsample(scale_factor=2, mode='bilinear')]
model += [Conv2dBlock(32, 32, 3, 1, 1, norm='bn', activation=activ, pad_type=pad_type)]
model += [Conv2dBlock(32, 3, 3, 1, 1, norm='none', activation=activ, pad_type=pad_type)]
model = nn.Sequential(*model)
因此,解决方案只是改变了网络的编写方式,正如https://stackoverflow.com/users/10229754/mercury所指出的那样。以下更改显示了一种写入网络的方式,以便可以附加额外的输入。在
forward()
函数中,可以使用torch.cat()
-相关问题 更多 >
编程相关推荐