Conv2d
- Makine Öğrenmesi kursu
- İleri seviye
- Ders 42/78
- 5 dk
Conv2d, görüntüde desen taramak için çekirdek (kernel) kullanır.
nn.Conv2d
nn.Conv2d(giriş_kanal, çıkış_kanal, kernel_size, stride=1, padding=0) girdiyi (N, C, H, W) şeklinde ister. Her çıkış kanalı ayrı bir filtredir ve tüm giriş kanallarına bakar:
conv = nn.Conv2d(3, 16, kernel_size=3, padding=1)
x = torch.zeros(8, 3, 32, 32)
print(conv(x).shape) # torch.Size([8, 16, 32, 32])
print(conv.weight.shape) # torch.Size([16, 3, 3, 3])Çıktı boyutu: ⌊(H + 2·padding - kernel) / stride⌋ + 1. padding=1 ile 3×3 çekirdek boyutu korur.
Parametre sayısı ve stride
Bir Conv2d katmanının parametre sayısı çıkış · giriş · k · k + çıkış'tır; görüntü boyutuna bağlı değildir. stride=2 filtreyi ikişer piksel kaydırır ve çıktıyı yarıya indirir:
conv = nn.Conv2d(3, 16, 3)
print(sum(p.numel() for p in conv.parameters())) # 16·3·3·3 + 16 = 448
s2 = nn.Conv2d(16, 32, 3, stride=2, padding=1)
print(s2(torch.zeros(1, 16, 32, 32)).shape) # torch.Size([1, 32, 16, 16])Aynı katman 32×32 ya da 1024×1024 görüntüde aynı 448 parametreyi kullanır.
Uygulama Evrişim şekilleri
nn.Conv2d(1, 8, 5), nn.Conv2d(1, 8, 3, padding=1) ve nn.Conv2d(1, 8, 3, stride=2, padding=1) katmanlarını (1, 1, 28, 28) girdiye uygula; üç çıktı şeklini alt alta yazdır. Ardından ilk katmanın parametre sayısını yazdır.
Başlangıç kodu
import torch
from torch import nn
x = torch.zeros(1, 1, 28, 28)
# buraya yazÖrnek çözüm
import torch
from torch import nn
x = torch.zeros(1, 1, 28, 28)
katmanlar = [nn.Conv2d(1, 8, 5), nn.Conv2d(1, 8, 3, padding=1), nn.Conv2d(1, 8, 3, stride=2, padding=1)]
for k in katmanlar:
print(k(x).shape)
print(sum(p.numel() for p in katmanlar[0].parameters()))Beklenen çıktı
torch.Size([1, 8, 24, 24]) torch.Size([1, 8, 28, 28]) torch.Size([1, 8, 14, 14]) 208
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 32×32 girdi, kernel 5, stride 1, padding 0 ile çıktı kaç piksel olur?
- 28×28 Doğru cevap
- 32×32
- 27×27
- 30×30
Açıklama: (32 + 0 - 5) / 1 + 1 = 28.
2 Boyutu koruyan 3×3 evrişim kur.
conv = nn.Conv2d(3, 16, kernel_size=3, ____=1)conv = nn.Conv2d(3, 16, kernel_size=3, padding=1)Açıklama: padding=1 kenarlara bir piksel sıfır ekler.
3 Ayarları etkileriyle eşleştir.
| Kavram | Anlamı |
|---|---|
kernel_size |
Filtre boyutu |
stride=2 |
Çıktıyı yarıya indirir |
padding=1 |
Boyutu korur (3×3) |
out_channels |
Filtre sayısı |