如何在pytorch中定义特定数量的卷积核/滤波器？

Question

在Pythorch网站上，他们的教程中有以下模型

class BasicCNN(nn.Module):
    def __init__(self):
        super(BasicCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = x.permute(0, 3, 1, 2)
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

这个模型有多少内核/过滤器？是两个吗？例如conv1和conv2。如何通过指定过滤器的数量轻松创建多个过滤器？例如100个过滤器。在

谢谢！在

Answer 1

你的问题有点模棱两可，但让我试着回答。在

通常，在卷积层中，我们将滤波器的数目设为out_channels的数目。但这不是直截了当的。让我们根据您提供的示例进行讨论。在

What are the convolutional layer parameters?

model = BasicCNN()
for name, params in model.named_parameters():
    if 'conv' in name:
        print(name, params.size())

输出：

^{pr2}$

Explanation

让我们考虑上述模型中的conv1层。我们可以说，有6个形状为5 x 5的滤波器，因为我们选择了2d卷积。因为输入通道的数目是3，所以总共有6 x 3 = 18个内核。在

在这里，这个模型的输入是三维图像。{我们可以考虑图像的形状。因此，我们可以将代表图像的3d张量输入到这个模型中。在

---

我现在可以很容易地确定你的过滤器的数量？例如100个过滤器。如果您只想为每个输入通道使用100个过滤器，那么只需在conv1中设置100而不是6。这是人们在计算机视觉领域的典型做法！在

但您可以根据需要修改架构，并确定最佳设置。在