CNN - Fight4354

CNN

2025年6月21日21

AI 翻譯

這篇文章透過AI由簡體中文翻譯成繁體中文。查看原文

AI 生成的摘要

1. **nn.Conv2d**：用於實現二維卷積層的類，主要參數包括： - `in_channels`：輸入通道數（例如 RGB 圖像為 3，灰度圖為 1）。 - `out_channels`：輸出通道數，表示卷積核的數量。 - `kernel_size`：卷積核大小，通常為 3 或 5。 - `stride`：卷積核移動的步長，控制輸出特徵圖的尺寸。 - `padding`：在輸入邊界補零的數量。 - `bias`：是否添加偏置項，默認為 True。 2. **nn.MaxPool2d**：用於實現二維最大池化層的類，主要參數包括： - `kernel_size`：表示使用的窗口大小（例如 3x3）。 - 默認 `stride` 等於 `kernel_size`，即每次滑動 3 個像素，且 `padding` 為 0。 3. **LeNet**：早期成功的神經網絡架構。

1、nn.Conv2d#

PyTorch 中用於實現二維卷積層（2D Convolutional Layer）的類
重要參數

in_channels
輸入數據的通道數（例如 RGB 圖像是 3，灰度圖是 1）
out_channels
輸出的通道數，表示卷積核的個數。

# 假設你有一個 RGB 圖像（3 個通道），大小為 32×32：  
conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, padding=1)  
# 你得到的輸出形狀為：[batch_size, 16, 32, 32]

kernal_size
卷積核大小，一般為 3 ⇌ (3,3) 或 5 ⇌ (5,5)，也可以是 (3,5) 等。
stride
卷積核移動步長，控制輸出特徵圖的尺寸。ex：2，(3,5)
padding
在輸入邊界補零的數量，控制輸出特徵圖的空間大小。
bias
是否添加偏置項，默認為 True。

2、nn.MaxPool2d#

PyTorch 中用於實現二維最大池化層（2D Max Pool Layer）的類
填充 padding 和步幅 stride 和 nn.Conv2d 一樣。
沒有可學習的參數
ex：
nn.MaxPool2d(3)
・kernel_size=3：表示使用一個 3x3 的窗口在輸入特徵圖上滑動。
默認：
・stride=kernel_size，即窗口每次滑動 3 個像素（非重疊池化）。和nn.Conv2d默認參數不同。
・padding=0，不做邊緣填充。

3、LeNet#

早期成功的神經網絡