企业官网建设流程全解析

网站做成app客户端,沈阳哪个男科医院好,网站网页设计代码,网站关键词在线优化torch.rand() 是均匀采样#xff0c;采样范围为0~1#xff0c;torhc.randn是正太分布#xff0c;均值为0#xff0c;方差为1函数分布均值方差取值范围torch.rand均匀分布 U(0,1)0.51/12 ≈ 0.083[0, 1)torch.randn标准正态分布 N(0,1)01(−∞, ∞)X torch.rand(size(1, 3,…torch.rand() 是均匀采样采样范围为0~1torhc.randn是正太分布均值为0方差为1函数分布均值方差取值范围torch.rand均匀分布 U(0,1)0.51/12 ≈ 0.083[0, 1)torch.randn标准正态分布 N(0,1)01(−∞, ∞)Xtorch.rand(size(1,3,320,480))✅ 正确的部分形状解释是对的1batch size批量大小3通道数例如 RGB 图像的 3 个通道320高度height480宽度width所以这是一个典型的 单张彩色图像 的张量表示batch1。X torch.rand(size(1, 3, 320, 480)) 创建了一个形状为 (1, 3, 320, 480) 的张量其中每个元素是独立地从 [0, 1) 区间上的均匀分布 中随机采样的。它常用于模拟一张 batch size 为 1、3 通道、高 320、宽 480 的图像数据但像素值范围是 [0,1)而非标准正态分布。降低通道数量不改变高宽的代码(增加1x1卷积网络层)net.add_module(final_conv,nn.Conv2d(512,num_classes,kernel_size1))向网络 net 中添加了一个名为 ‘final_conv’ 的 1×1 卷积层。该层将 输入的 512 个通道 映射为 21 个输出通道对应 21 个类别。空间分辨率H × W保持不变因为卷积核大小为 1×1 且默认无 padding/stride 改变尺寸。批量大小batch size由输入数据决定不是卷积层的参数。补充说明应用场景这种结构常见于全卷积网络FCN用于语义分割主干网络如 ResNet提取出 (B, 512, H, W) 的高层特征最后的 1×1 卷积将通道数变为类别数得到 logits (B, 21, H, W)后续通常接 softmax 或 cross_entropy_loss 进行像素级分类。转置卷积的代码net.add_module(transpose_conv, nn.ConvTranspose2d(num_classes, num_classes, kernel_size64, padding16, stride32))nn.ConvTranspose2d(num_classes, num_classes, kernel_size64, padding16, stride32)是一个通道数保持不变inoutnum_classes的转置卷积层用于将空间分辨率放大 32 倍高和宽都 ×32参数经过精心设计使得输出尺寸恰好为输入的 32 倍常用于语义分割模型的最后一层上采样如 FCN-32s批量大小batch size仍然由输入决定不是该层的参数。 补充建议虽然这种大核转置卷积在早期 FCN 中使用但现代方法如 DeepLab、U-Net更倾向于使用双线性插值 小卷积或多个小步长转置卷积堆叠如 stride2 多次以减少计算量和伪影。双线性插值核初始化转置卷积核权重节省训练时间这是一个 用于初始化转置卷积ConvTranspose2d权重的双线性插值核bilinear upsampling kernel常用于语义分割中替代随机初始化的上采样层以实现平滑、可学习但初始为插值行为的上采样。defbilinear_kernel(in_channels,out_channels,kernel_size):factor(kernel_size1)//2ifkernel_size%21:centerfactor-1else:centerfactor-0.5og(torch.arange(kernel_size).reshape(-1,1),torch.arange(kernel_size).reshape(1,-1))filt(1-torch.abs(og[0]-center)/factor)*\(1-torch.abs(og[1]-center)/factor)weighttorch.zeros((in_channels,out_channels,kernel_size,kernel_size))weight[range(in_channels),range(out_channels),:,:]filtreturnweight这个函数生成一个双线性插值上采样核用于初始化 ConvTranspose2d 的权重。og 是坐标网格的行/列索引用于构建二维位置。filt 是一个非负的、中心对称的、峰值在中心的二维核值域为 [0, 1]。没有负数不是 -1 到 1也不是“先正后负”。因为先算括号里面的再计算除法再计算减法当用作转置卷积权重时它能实现近似双线性插值的上采样效果尤其当 stride kernel_size / 2 时。 应用场景示例假设我们有一个 1/8 下采样的特征图想上采样回原图尺寸conv_trans nn.ConvTranspose2d(21, 21, kernel_size16, stride8, padding4, biasFalse) conv_trans.weight.data bilinear_kernel(21, 21, 16)这样初始化后该层初始行为就是双线性插值训练时还可微调。