當前位置: 首頁>>編程示例 >>用法及示例精選 >>正文

Python mxnet.ndarray.Convolution用法及代碼示例

用法:

mxnet.ndarray.Convolution(data=None, weight=None, bias=None, kernel=_Null, stride=_Null, dilate=_Null, pad=_Null, num_filter=_Null, num_group=_Null, workspace=_Null, no_bias=_Null, cudnn_tune=_Null, cudnn_off=_Null, layout=_Null, out=None, name=None, **kwargs)

參數：

  • data：(NDArray) - 將數據輸入到 ConvolutionOp。
  • weight：(NDArray) - 權重矩陣。
  • bias：(NDArray) - 偏置參數。
  • kernel：(Shape(tuple), required) - 卷積核大小：(w,), (h, w) 或 (d, h, w)
  • stride：(Shape(tuple), optional, default=[]) - 卷積步幅：(w,)、(h, w) 或 (d, h, w)。每個維度默認為 1。
  • dilate：(Shape(tuple), optional, default=[]) - 卷積膨脹：(w,)、(h, w) 或 (d, h, w)。每個維度默認為 1。
  • pad：(Shape(tuple), optional, default=[]) - 卷積的零填充：(w,)、(h, w) 或 (d, h, w)。默認為無填充。
  • num_filter：(int (non-negative), required) - 卷積濾波器(通道)編號
  • num_group：(int (non-negative), optional, default=1) - 組分區數。
  • workspace：(long (non-negative), optional, default=1024) - 卷積中允許的最大臨時工作空間 (MB)。此參數有兩種用法。當不使用 CUDNN 時，它決定了卷積核的有效批大小。當使用 CUDNN 時，它控製用於調整最佳 CUDNN 內核的最大臨時存儲空間limited_workspace使用策略。
  • no_bias：(boolean, optional, default=0) - 是否禁用偏差參數。
  • cudnn_tune：({None, 'fastest', 'limited_workspace', 'off'},optional, default='None') - 是否通過運行性能測試來選擇卷積算法。
  • cudnn_off：(boolean, optional, default=0) - 關閉此層的 cudnn。
  • layout：({None, 'NCDHW', 'NCHW', 'NCW', 'NDHWC', 'NHWC'},optional, default='None') - 設置輸入、輸出和權重的布局。默認布局為空：NCW 表示 1d，NCHW 表示 2d，NCDHW 表示 3d。NHWC 和 NDHWC 僅在 GPU 上支持。
  • out：(NDArray, optional) - 輸出 NDArray 來保存結果。

返回：

out：- 此函數的輸出。

返回類型：

NDArray 或 NDArray 列表

在 (N+2) -D 輸入上計算 N -D 卷積。

在二維卷積中，給定形狀為 (batch_size, channel, height, width) 的輸入數據，輸出由下式計算

其中 是二維互相關算子。

對於一般的二維卷積，形狀是

  • data：(batch_size, channel, height, width)
  • weight：(num_filter, channel, kernel[0], kernel[1])
  • bias：(num_filter,)
  • out：(batch_size, num_filter, out_height, out_width).

定義：

f(x,k,p,s,d) = floor((x+2*p-d*(k-1)-1)/s)+1

那麽我們有：

out_height=f(height, kernel[0], pad[0], stride[0], dilate[0])
out_width=f(width, kernel[1], pad[1], stride[1], dilate[1])

如果 no_bias 設置為 true，則忽略 bias 項。

默認數據 layout 為 NCHW ，即 (batch_size, channel, height, width) 。我們可以選擇其他布局，例如 NWC 。

如果 num_group 大於 1，用 g 表示，則將輸入 data 沿通道軸均勻拆分為 g 部分，並沿第一維均勻拆分 weight。接下來計算 i -th 數據部分與 i -th 權重部分的卷積。通過連接所有g 結果獲得輸出。

一維卷積沒有height維度，但在空間中隻有width。

  • data：(batch_size, channel, width)
  • weight：(num_filter, channel, kernel[0])
  • bias：(num_filter,)
  • out：(batch_size, num_filter, out_width).

除了 height 和 width 之外，3-D 卷積還增加了一個額外的 depth 維度。形狀是

  • data：(batch_size, channel, depth, height, width)
  • weight：(num_filter, channel, kernel[0], kernel[1], kernel[2])
  • bias：(num_filter,)
  • out：(batch_size, num_filter, out_depth, out_height, out_width).

weight 和 bias 都是可學習的參數。

還有其他選項可以調整性能。

  • cudnn_tune：啟用此選項會導致更長的啟動時間，但可能會提供更快的速度。選項是
    • off: 沒有調
    • limited_workspace：運行測試並選擇不超過工作空間限製的最快算法。
    • fastest：選擇最快的算法並忽略工作空間限製。
    • None(默認)：行為由環境變量決定MXNET_CUDNN_AUTOTUNE_DEFAULT. 0 表示關閉，1 表示有限工作空間(默認)，2 表示最快。
  • workspace：大量會導致更多(GPU)內存使用，但可能會提高性能。

相關用法


注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.ndarray.Convolution。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。