Pytorch 为 3x3,32 conv2d 层和 2x2 maxpool 层添加超参数答案

【问题标题】：Pytorch add hyperparameters for 3x3,32 conv2d layer and 2x2 maxpool layerPytorch 为 3x3,32 conv2d 层和 2x2 maxpool 层添加超参数
【发布时间】：2021-06-18 19:08:34
【问题描述】：

我正在尝试使用 pytorch 在下面创建一个 conv2d 层。超参数如下图所示。我不确定如何为第一个 conv2d 层实现超参数 (3x3,32)。我想知道如何使用torch.nn.Conv2d 来使用它。非常感谢。

Conv2d with hyperparameters

【问题讨论】：

标签： deep-learning pytorch conv-neural-network hyperparameters

【解决方案1】：

conv2d 超参数（3x3、32）代表kernel_size=(3, 3)，输出通道数=32。
因此，这就是您在图表中定义第一个 conv 层的方式：

conv3x3_32 = nn.Conv2d(in_channles=3, out_channels=32, kernel_size=3)

请注意，in_channles 超参数应与前一层（或输入层）的out_channels 匹配。

更多详情请见nn.Conv2d。

【讨论】：

那么如果3x3 代表kernel_size=(3,3) 为什么第一层是kernel_size=3？
@J.doe 请阅读文档，它就在那里。
感谢您的回复，只是为了澄清。第二层应该是conv1x1_32 = nn.Conv2d(in_channles=32, out_channels=32, kernel_size=(1,1))吧？
@J.doe yes - in_channels 派生自上一层的out_channels。
感谢您的回复。只想澄清最后一件事。这里使用的 maxpool 层是否正确。 torch.nn.MaxPool2d(kernel_size=(2,2))非常感谢