第三题，矩阵转置运算后取主对角线之和即可
本身就是借助torch的框架，计算梯度没啥问题，但是自己定义的网络，只能计算2维矩阵
-
构建一个具有对角线边缘的图像X
X = torch.eye(8) Xtensor([[1., 0., 0., 0., 0., 0., 0., 0.], [0., 1., 0., 0., 0., 0., 0., 0.], [0., 0., 1., 0., 0., 0., 0., 0.], [0., 0., 0., 1., 0., 0., 0., 0.], [0., 0., 0., 0., 1., 0., 0., 0.], [0., 0., 0., 0., 0., 1., 0., 0.], [0., 0., 0., 0., 0., 0., 1., 0.], [0., 0., 0., 0., 0., 0., 0., 1.]])-
如果将本节中举例的卷积核
K应用于X，会发生什么情况？Y = corr2d(X,K) Ytensor([[ 1., 0., 0., 0., 0., 0., 0.], [-1., 1., 0., 0., 0., 0., 0.], [ 0., -1., 1., 0., 0., 0., 0.], [ 0., 0., -1., 1., 0., 0., 0.], [ 0., 0., 0., -1., 1., 0., 0.], [ 0., 0., 0., 0., -1., 1., 0.], [ 0., 0., 0., 0., 0., -1., 1.], [ 0., 0., 0., 0., 0., 0., -1.]]) -
如果转置
X会发生什么？Y = corr2d(X.t(),K) Ytensor([[ 1., 0., 0., 0., 0., 0., 0.], [-1., 1., 0., 0., 0., 0., 0.], [ 0., -1., 1., 0., 0., 0., 0.], [ 0., 0., -1., 1., 0., 0., 0.], [ 0., 0., 0., -1., 1., 0., 0.], [ 0., 0., 0., 0., -1., 1., 0.], [ 0., 0., 0., 0., 0., -1., 1.], [ 0., 0., 0., 0., 0., 0., -1.]]) -
如果转置
K会发生什么？Y = corr2d(X,K.t()) Ytensor([[ 1., -1., 0., 0., 0., 0., 0., 0.], [ 0., 1., -1., 0., 0., 0., 0., 0.], [ 0., 0., 1., -1., 0., 0., 0., 0.], [ 0., 0., 0., 1., -1., 0., 0., 0.], [ 0., 0., 0., 0., 1., -1., 0., 0.], [ 0., 0., 0., 0., 0., 1., -1., 0.], [ 0., 0., 0., 0., 0., 0., 1., -1.]])
-
-
在我们创建的
Conv2D自动求导时，有什么错误消息？没什么错误信息
本身就是借助torch的框架，计算梯度没啥问题，但是自己定义的网络，只能计算2维矩阵 -
如何通过改变输入张量和卷积核张量，将互相关运算表示为矩阵乘法？
def conv2d_by_mul(X, K): h, w = K.shape outh = X.shape[0] - h + 1 outw = X.shape[1] - w + 1 K = K.reshape(-1, 1) Y = [] # 张量列表 for i in range(outh): for j in range(outw): Y.append(X[i:i + h, j:j + w].reshape(-1)) # 列表的每一个元素是对应位置卷积核大 # 小的X内元素 摊开成一维张量 print(Y) Y = torch.stack(Y, 0) #升维 print(Y.shape,K.shape) # 用矩阵乘法表示互相关运算 res = (torch.matmul(Y, K)).reshape(outh, outw) #矩阵乘法运算后 reshape 成输出大小 return resY = conv2d_by_mul(X,K) Y[tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.]), tensor([1., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 0.]), tensor([0., 1.])] torch.Size([56, 2]) torch.Size([2, 1])Out[72]:
tensor([[ 1., 0., 0., 0., 0., 0., 0.], [-1., 1., 0., 0., 0., 0., 0.], [ 0., -1., 1., 0., 0., 0., 0.], [ 0., 0., -1., 1., 0., 0., 0.], [ 0., 0., 0., -1., 1., 0., 0.], [ 0., 0., 0., 0., -1., 1., 0.], [ 0., 0., 0., 0., 0., -1., 1.], [ 0., 0., 0., 0., 0., 0., -1.]])
stack: 参考
沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。
浅显说法：把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度进行堆叠。扩张再拼接
和 cat的 区别： cat不会升维，stack 会先升维再拼接
T1 = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 假设是时间步T2
T2 = torch.tensor([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
print(torch.stack((T1,T2),dim=0))
print(torch.cat((T1,T2),dim=0))
tensor([[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9]],
[[10, 20, 30],
[40, 50, 60],
[70, 80, 90]]])
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
参数
- inputs : 待连接的张量序列。 注：
python的序列数据只有list和tuple。 - dim : 新的维度， 必须在
0到len(outputs)之间。 注：len(outputs)是生成数据的维度大小，也就是outputs的维度值。
请问一下，有人知道第四题怎么做吗？… 
