为什么 MXnet 中的卷积函数有一个内核参数

Question

我是mxnet的新手，在官方文档中，卷积层的生成可以是

conv = nd.Convolution(data=data, weight=W, bias=b, kernel=(3,3), num_filter=10)

但要求weight参数需要取4-D张量

W = [weight_num, stride, kernel_height, kernel_width]

那么为什么我们还需要在Convolution函数中设置一个kernel参数呢？

Answer 1

kernel参数设置内核大小，可以是：

(width,) - 对于一维卷积
(height, width) - 对于二维卷积
(深度, 高度, 宽度) - 对于 3D 卷积

它只定义形状。

weight 和 bias 参数包含将要训练的实际参数。实际值将在这里。

虽然您可能可以通过提供的 weight 找出 kernel（形状），但要求明确提供 kernel 形状而不是尝试根据传递给 weight.

的参数

下面是一个二维卷积的例子：

# shape is batch_size x channels x height x width
x = mx.nd.random.uniform(shape=(100, 1, 9, 9))
# kernel is just 3 x 3, 
# weight is num_filter x channels x kernel_height x kernel_width
# bias is num_filter
mx.nd.Convolution(data=x, 
                  kernel=(3, 3), 
                  num_filter=5, 
                  weight=mx.nd.random.uniform(shape=(5, 1, 3, 3)), 
                  bias=mx.nd.random.uniform(shape=(5,)))

在 1D、2D 或 3D 卷积的情况下解释各种参数形状的文档非常好：https://mxnet.incubator.apache.org/api/python/ndarray/ndarray.html#mxnet.ndarray.Convolution

为什么 MXnet 中的卷积函数有一个内核参数

Why Convolution function in MXnet have a kernel parameter

python

mxnet