Pytorch MaxUnpool2d的size参数是如何实现长尾操作的呢？
- 内容介绍
- 文章标签
- 相关推荐
本文共计207个文字，预计阅读时间需要1分钟。
下图为最大的去池化操作，主要包含三个参数，kernel_size：卷积核大小（一般为3x3的卷积核），stride：步长，还有一个新的size参数。从图中可以看出，它将4x4的去池化结果变为。
下图所示为最大值的去池化操作，主要包括三个参数，kernel_size: 卷积核大小（一般为3，即3x3的卷积核）, stride:步，还有一个新的size。
从图中可以看出，它将维度4x4的去池化结果变为5x5。主要通过排序的方法，将4x4里面的元素按行展开为（0,0,0,0,0,6,0,8,0,0,0,0,0,14...），然后按照次序放到5x5的矩阵里面。
以上这篇关于Pytorch MaxUnpool2d中size操作方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。
本文共计207个文字，预计阅读时间需要1分钟。
下图为最大的去池化操作，主要包含三个参数，kernel_size：卷积核大小（一般为3x3的卷积核），stride：步长，还有一个新的size参数。从图中可以看出，它将4x4的去池化结果变为。
下图所示为最大值的去池化操作，主要包括三个参数，kernel_size: 卷积核大小（一般为3，即3x3的卷积核）, stride:步，还有一个新的size。
从图中可以看出，它将维度4x4的去池化结果变为5x5。主要通过排序的方法，将4x4里面的元素按行展开为（0,0,0,0,0,6,0,8,0,0,0,0,0,14...），然后按照次序放到5x5的矩阵里面。
以上这篇关于Pytorch MaxUnpool2d中size操作方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。