空洞卷积过程可视化

最新推荐文章于 2025-05-13 08:00:00 发布

Doer491

最新推荐文章于 2025-05-13 08:00:00 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：目标检测成长之路文章标签：深度学习 cnn 计算机视觉 pytorch

本文链接：https://blog.csdn.net/qq_60742456/article/details/121963693

目标检测成长之路专栏收录该内容

4 篇文章

订阅专栏

本文介绍了空洞卷积的概念，其主要作用是在保持参数量不变的情况下扩大卷积神经网络的感受野，从而获取更多特征。通过设置合适的膨胀因子，可以控制卷积核的感受野大小，防止图像尺寸变化。代码示例展示了如何在PyTorch中实现空洞卷积，并构建了一个包含多层空洞卷积的模块。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

空洞卷积

空洞卷积的作用是在不增加参数量的情况下，增大感受野，获得更多的特征。

空洞卷积中padding与dilation所使用的因子需要是相同的，否则，可能会导致图像的尺寸会发生变化，导致就不是膨胀卷积。

假如卷积核为3*3，膨胀因子为2，那么padding必须为2，否则，它经过膨胀卷积之后，它的尺寸会变小。

import torch.nn as nn
# import torch
from torchstat import stat


# from torchsummary import summary

# from nets.ghostnet import ghostnet
class Conv(nn.Module):
    def __init__(self):
        super(Conv, self).__init__()
        self.conv = nn.Sequential(
            nn.MaxPool2d()

        )


class ConvModule(nn.Module):
    def __init__(self):
        super(ConvModule, self).__init__()
        # 定义六层卷积层
        # 两层HDC（1,2,5,1,2,5）
        self.conv = nn.Sequential(
            # 第一层 (3-1)*1+1=3 （64-3)/1 + 1 =62
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=3, stride=1, padding=1, dilation=1),
            nn.BatchNorm2d(32),
            # inplace-选择是否进行覆盖运算
            nn.ReLU(inplace=True),
            # 第二层 (3-1)*2+1=5 （62-5)/1 + 1 =58
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=3, stride=1, padding=2, dilation=2),
            nn.BatchNorm2d(32),
            # inplace-选择是否进行覆盖运算
            nn.ReLU(inplace=True),
            # 第三层 (3-1)*5+1=11  (58-11)/1 +1=48
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=3, stride=1, padding=5, dilation=5),
            nn.BatchNorm2d(32),
            # inplace-选择是否进行覆盖运算
            nn.ReLU(inplace=True),
        )

    def forward(self, x):
        out = self.conv(x)
        return out


stat(ConvModule(), (32, 13, 13))

空洞卷积部分的代码，来自如下链接。

https://blog.csdn.net/qq_37534947/article/details/109727232