最近在复现VRP下的DRL算法,当考虑C个顾客的问题,以及batch的大小为N,相应的地图数据的shape是(N, C, 2),其中第三维分别存储物理坐标(x,y)信息。 原文使用Conv1d with kernel_size=1来作为encoder,将原始数据映射到embedding_size=M的维度上去,得到数据形状为(N, C, M)。 作为一个调包侠,从来都只在乎输入...
实际上在卷积操作的时候,比如说,我某一层输出的feature map的size为4713*13 channel的数目为7,设经过某卷积层之后,网络输出的feature map的channel的数目为17 从7个channel到17个channel,假设卷积核的kernel为33,那么这个卷积层的参数就有17733,那么,对于一个具体的操作而言 比如说,输出feature map有17个通道,对于...
self.conv_l1 = nn.Conv2d(inplanes, planes, kernel_size=(ks, 1), padding=(ks/2, 0)) self.conv_l2 = nn.Conv2d(planes, planes, kernel_size=(1, ks), padding=(0, ks/2)) self.conv_r1 = nn.Conv2d(inplanes, planes, kernel_size=(1, ks), padding=(0, ks/2)) self.conv_r2...