class spa_cnn_local(nn.Module): def __init__(self, input_dim, output_dim, ): super(spa_cnn_local, self).__init__() self.spaConv1 = nn.Conv3d(input_dim, output_dim, kernel_size=[args.kernelSize, args.kernelSize, args.cateNum], stride=1, padding=[int((args.kernelSize - 1) / 2), int((args.kernelSize - 1) / 2), 0]) self.spaConv2 = nn.Conv3d(input_dim, output_dim, kernel_size=[args.kernelSize, args.kernelSize, args.cateNum], stride=1, padding=[int((args.kernelSize - 1) / 2), int((args.kernelSize - 1) / 2), 0]) self.spaConv3 = nn.Conv3d(input_dim, output_dim, kernel_size=[args.kernelSize, args.kernelSize, args.cateNum], stride=1, padding=[int((args.kernelSize - 1) / 2), int((args.kernelSize - 1) / 2), 0]) self.spaConv4 = nn.Conv3d(input_dim, output_dim, kernel_size=[args.kernelSize, args.kernelSize, args.cateNum], stride=1, padding=[int((args.kernelSize - 1) / 2), int((args.kernelSize - 1) / 2), 0]) self.drop = nn.Dropout(args.dropRateL) self.act_lr = nn.LeakyReLU() def forward(self, embeds): cate_1 = self.drop(self.spaConv1(embeds)) cate_2 = self.drop(self.spaConv2(embeds)) cate_3 = self.drop(self.spaConv3(embeds)) cate_4 = self.drop(self.spaConv4(embeds)) spa_cate = torch.cat([cate_1, cate_2, cate_3, cate_4], dim=-1) return self.act_lr(spa_cate + embeds)
时间: 2023-07-16 09:11:49 浏览: 133
python使用 __init__初始化操作简单示例
5星 · 资源好评率100%
这是一个定义了一个名为 `spa_cnn_local` 的类,继承自 `nn.Module`,用于实现一个卷积神经网络。构造函数 `__init__` 中定义了四个卷积层 `spaConv1`、`spaConv2`、`spaConv3`、`spaConv4`,每个卷积层的输入维度为 `input_dim`,输出维度为 `output_dim`,卷积核大小为 `[args.kernelSize, args.kernelSize, args.cateNum]`,步长为 1,填充大小为 `[int((args.kernelSize - 1) / 2), int((args.kernelSize - 1) / 2), 0]`。其中 `args` 是一个命名空间,包含了一些超参数。除了卷积层之外,还定义了一个 `Dropout` 层 `drop` 和一个 `LeakyReLU` 激活函数 `act_lr`。
`forward` 函数的输入 `embeds` 是输入数据的张量,其形状为 `[batch_size, channels, depth, height, width]`。在 `forward` 函数中,输入张量 `embeds` 会分别经过四个卷积层 `spaConv1`、`spaConv2`、`spaConv3`、`spaConv4`,得到四个输出张量 `cate_1`、`cate_2`、`cate_3`、`cate_4`。接着,将这四个张量沿着最后一个维度拼接起来,得到一个形状为 `[batch_size, channels, depth, height, width * 4]` 的张量 `spa_cate`。最后,将这个张量和输入张量 `embeds` 相加,并经过 `LeakyReLU` 激活函数,得到最终的输出张量。
阅读全文