PyTorch 中的 Double Convolutional Layer 实现解析

PyTorch 中的 Double Convolutional Layer 实现解析

def __init__(self, in_channels, out_channels):
        super().__init__()
        self.double_conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True)
        )

该代码实现了一个 Double Convolutional Layer，包含两层卷积操作，中间分别经过 Batch Normalization 和 ReLU 激活函数。下面解释代码中三个关键部分的含义：

• padding=1: 在输入的边界周围填充 1 个像素，使得卷积操作不会改变输入图像的大小。

• nn.BatchNorm2d(out_channels): 对输出进行批量归一化操作，可以加速模型训练并提高模型的精度。

• nn.ReLU(inplace=True): 是激活函数，将输出的结果进行非线性映射，使得模型可以学习更复杂的特征。inplace=True 表示在原地进行操作，可以节省内存。

通过使用 Double Convolutional Layer，可以有效地提取图像特征，提高模型的性能。