https://zh.d2l.ai/chapter_convolutional-neural-networks/padding-and-strides.html
步幅大于1的优势在于可以快速的降低输出的维数
2 Likes
第三题很有意思啊，有没有大神知道的？对于音频信号来说步幅等于2是什么意思
- 对于本节中的最后一个示例，计算其输出形状，以查看它是否与实验结果一致。
conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4)
输入(8,8)，输出：0维：(8-3+0)/3+1=2(取下整数)，1维:(8-5+1)/4+1=2
- 在本节中的实验中，试一试其他填充和步幅组合。
略 - 对于音频信号，步幅 2说明什么？
我感觉就是一个音频最小单位由两个数字组成，不太清楚（请大佬指点） - 步幅大于 1 的计算优势是什么？
减小输出大小，提高计算速度。
在音频信号中，这里应该是指经采样后的离散数字信号x(n)，步幅为2就是以2为周期对信号进行采样计算得到x(n/2)，在频域上为F(2w)即fmax提高为原来的两倍
5 Likes
我觉得有点道理，可以把卷积理解为采样。支持。
1 Like
不是的，第二种情况下两侧填充不等长，上面向上取整，下面向下取整
1 Like
Q1: 对于本节中的最后一个示例，计算其输出形状，以查看它是否与实验结果一致。
A1: (8-3+0+3)/3=2, (8-5+1*2+4)/4=2
Q2: 在本节中的实验中，试一试其他填充和步幅组合。
A2: 略
Q3: 对于音频信号，步幅2说明什么？
A3: 借鉴@lan_leo的说法。对于音频信号而言，步幅为2就是以2为周期对信号进行采样计算。
Q4: 步幅大于1的计算优势是什么？
A4: 可以迅速降低输出的大小，减少计算量，加快训练。
我理解的是，在x(n)进行步幅为2的采样后，应该相当于和原来的x(n)相比，对音乐的采样率变低了，即x’(n)=x(2n)。这也就意味着fmax变为原来的二分之一。
因为步幅变大，损失掉的信息肯定会变多，所以我的想法和你有些冲突，也可能是我没有理解题意，欢迎讨论。
1 Like
X = X.reshape((1,1)+ X.shape) 为什么(1,1) + X.shape 就可以变为四维了，有大佬可以帮忙解释一下吗？
我尝试了conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(2, 1), stride=(3, 4))，为什么输出的shape是[4, 2]？按照计算公式(8 - 3 + 2)/3 + 1 = 3，应该是[3, 2]才对
应该是 (8-3+2*2+3)/3 并向下取整，为12/3=4， 因为padding是两边都添加了，所以应该乘以2，个人见解。
1 Like
第一问不是的哦，padding=1,是宽度的两边都填充1吧，所以说，填充的应该是2
所以是（8-5+1*2）/4+1=2
1 Like
我也有点疑问在这里，于是我简单试了下面的这个命令
print((1,1)+(1,1)) #输出为(1,1,1,1)
为了进一步探寻原因，防止因为pytorch的环境才符合以上规则，
我进一步使用了python在线编译的环境运行了上面的代码，输出还是不变
最后在菜鸟教程里面找到了答案（元组（Tuple）的连接运算符），如下：
2 Likes
应该是下采样，我同意你的观点。。。。。。。。。。。。。。
应该是（8-3+2*2）因为是两边填充，这样算下来是对的
-
对于本节中的最后一个示例，计算其输出形状，以查看它是否与实验结果一致。
一致
-
在本节中的实验中，试一试其他填充和步幅组合。
-
对于音频信号，步幅2说明什么？
提取音频信号的 粗粒度特征， 步幅为2就是以2为周期对信号进行采样计算。
-
步幅大于1的计算优势是什么？
可以很快的提取图片的大致特征，快速的降低输出的维数
如果要用CNN处理音频信号一般是通过STFT将离散时间（序列）数据转化为 行：序列段（时间帧），列为：频域 的二维数据，如果有多声道就在第三个维度上拓展。由于步长变长，那么输出的尺寸（时间和频域）就会变小，同时将cnn用于音频可以认为是考虑不同时间段上，频域特性的关系，所以当步长变大意味着考虑时间和频域数据的关系不再紧密。
如果抛开神经网络来谈，音频的步长应该是数字信号中时域或频域的采样间隔