转置卷积(Transposed Convolution)

又称为转置卷积。

torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros')

输出大小计算

先说结论

$o' = (i' - 1)s + k - 2p+p'$

$p'$是output_padding，后面一直是在分析这个式子是怎么来的。
注：当有空洞卷积时，k=dilation[0]×(kernel_size[0]−1)+1

标准卷积Conv2d

最基础的卷积。下面图虽然丑了点，但足够说明问题了。

注： （1） kernel的值在初始化中是随机生成的，可以每个值之间都不一样。 （2）每个通道只对应一个bias值。

能用索引方式过多，不止下标索引。自己写程序还好，关键是看人家写的程序，有时候会晕掉，不知所云。故在此总结。

首先对Numpy的下标索引、切片索引、布尔索引和花式索引进行介绍和分析，然后研究Python和Pytorch中的索引方式是否包括以上四种。

前言

作为测试用例，生成随机矩阵或者tensor很重要。可这个操作在numpy和Pytorch中略有区别。故在此处整理出。

转载自https://www.cnblogs.com/shixiangwan/p/7066085.html

CPU：
型号：grep "model name" /proc/cpuinfo |awk -F ':' '{print $NF}'

内存数量：sudo dmidecode -t memory |grep -A16 "Memory Device$" |grep 'Size:.*MB' |wc -l

内存支持类型：sudo dmidecode -t memory |grep -A16 "Memory Device$" |grep "Type:"

每个内存频率：sudo dmidecode -t memory |grep -A16 "Memory Device$" |grep "Speed:"

每个内存大小：sudo dmidecode -t memory |grep -A16 "Memory Device$" |grep "Size:"

硬盘：
硬盘数量、大小：sudo fdisk -l |grep "Disk /dev/sd"

硬盘型号：sudo hdparm -i /dev/sda |grep "Model"