{"id":334388,"date":"2022-06-12T21:00:47","date_gmt":"2022-06-12T21:00:47","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=334388"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=334388","title":{"rendered":"<span>\u0420\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u0441 \u0443\u0441\u0442\u0440\u043e\u0439\u0441\u0442\u0432\u043e\u043c \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u044f \u0434\u0432\u0443\u0445 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u0432 \u043e\u0434\u043d\u0443 \u0432 pytorch<\/span>"},"content":{"rendered":"<div><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u041d\u0435\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430\u044f \u0446\u0435\u043b\u044c \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u2014 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c, \u043a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u0441\u043c\u0435\u0440\u0436\u0438\u0442\u044c \u0434\u0432\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u0430\u0439\u0442\u043e\u0440\u0447\u0430 \u0432 \u043e\u0434\u043d\u0443. \u0415\u0441\u043b\u0438 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430 \u043b\u0438\u0448\u044c \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u043f\u0440\u043e\u0448\u0443 \u0432 \u043a\u043e\u043d\u0435\u0446 \u0441\u0442\u0430\u0442\u044c\u0438.<\/p>\n<p>\u0410 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430\u044f \u0446\u0435\u043b\u044c \u2014 \u043f\u043e\u0442\u044b\u043a\u0430\u0442\u044c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432 \u0432\u0435\u0441\u0430 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u043a. \u0423\u0437\u043d\u0430\u0442\u044c, \u043a\u0430\u043a \u043e\u043d\u0438 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e \u0432 pytorch, \u043d\u0435 \u0432\u0434\u0430\u0432\u0430\u044f\u0441\u044c \u0432 \u0445\u0430\u0440\u0434\u043a\u043e\u0440\u043d\u044b\u0435 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0441\u0442\u0438 \u043f\u043e \u0442\u0438\u043f\u0443 im2col.<br \/> \u041d\u043e \u043f\u0435\u0440\u0435\u0434 \u0442\u0435\u043c, \u043a\u0430\u043a \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c, \u0441 \u0447\u0435\u043c \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u043c.<\/p>\n<p>\u041d\u0430\u0447\u043d\u0451\u043c \u0441 \u0442\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u0438. \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c, \u0438\u043b\u0438 \u0433\u0440\u0430\u0444 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u2014 \u044d\u0442\u043e \u043d\u0430\u0431\u043e\u0440 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 (\u0441\u043b\u043e\u0451\u0432), \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0442\u0441\u044f \u043d\u0430\u0434 \u0432\u0445\u043e\u0434\u043d\u044b\u043c \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u043c \u0438\u043b\u0438 \u043d\u0430\u0434 \u0432\u044b\u0445\u043e\u0434\u0430\u043c\u0438 \u0434\u0440\u0443\u0433\u0438\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439. \u041d\u0430\u0441 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u0435\u0442 \u0437\u0440\u0435\u043d\u0438\u0435 \u0438 \u0441\u0432\u0451\u0440\u0442\u043a\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u0445\u043e\u0434\u043d\u044b\u043c \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u043c \u0431\u0443\u0434\u0435\u0442 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430: \u0442\u0435\u043d\u0437\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 [\u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0432\u044b\u0441\u043e\u0442\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430], \u0433\u0434\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0447\u0430\u0449\u0435 \u0432\u0441\u0435\u0433\u043e 3 (RGB). \u041f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0432\u044b\u0445\u043e\u0434\u044b \u0431\u0443\u0434\u0443\u0442 \u043d\u0430\u0437\u044b\u0432\u0430\u0442\u044c\u0441\u044f \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u043e\u0439 \u0438\u043b\u0438 \u043a\u0430\u0440\u0442\u043e\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432. \u0424\u0438\u0447\u0435\u043c\u0430\u043f\u0430 \u2014 \u044d\u0442\u043e \u0432 \u043a\u0430\u043a\u043e\u043c-\u0442\u043e \u0441\u043c\u044b\u0441\u043b\u0435 \u0442\u0430 \u0436\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430, \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435, \u0430 \u043a\u0430\u0436\u0434\u0430\u044f \u044f\u0447\u0435\u0439\u043a\u0430 \u0442\u0435\u043d\u0437\u043e\u0440\u0430 \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u043c, \u0430 \u043d\u0435 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u043c. \u041d\u0443 \u0430 \u0447\u0442\u043e\u0431\u044b \u0443\u043c\u0435\u0442\u044c \u0437\u0430 \u043e\u0434\u0438\u043d \u043f\u0440\u043e\u0445\u043e\u0434 \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0442\u044c \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a, \u0443 \u0432\u0441\u0435\u0445 \u044d\u0442\u0438\u0445 \u0442\u0435\u043d\u0437\u043e\u0440\u043e\u0432 \u043f\u043e\u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u0432 \u043a\u043e\u043b-\u0432\u043e \u043e\u0431\u044c\u0435\u043a\u0442\u043e\u0432 \u0432 \u0431\u0430\u0442\u0447\u0435 (\u043e\u0434\u043d\u043e\u043c \u043f\u0440\u043e\u0433\u043e\u043d\u0435).<\/p>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043a \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438. \u0427\u0430\u0441\u0442\u043e \u0435\u0435 \u043f\u0443\u0442\u0430\u044e\u0442 \u0441\u043e \u0441\u0432\u0435\u0440\u0442\u043a\u043e\u0439, \u043d\u043e \u0434\u043b\u044f \u043d\u0430\u0448\u0438\u0445 \u0446\u0435\u043b\u0435\u0439 \u044d\u0442\u0438 \u0434\u0432\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438 \u043d\u0430\u0434\u043e \u0440\u0430\u0437\u043b\u0438\u0447\u0430\u0442\u044c. \u0427\u0442\u043e \u0436\u0435 \u0442\u0430\u043a\u043e\u0435 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439? \u041f\u0435\u0440\u0432\u043e-\u043d\u0430\u043f\u0435\u0440\u0432\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f \u0438\u043c\u0435\u0435\u0442 \u044f\u0434\u0440\u043e. \u042f\u0434\u0440\u043e \u2014 \u044d\u0442\u043e \u0442\u0435\u043d\u0437\u043e\u0440 \u0441 \u0447\u0438\u0441\u043b\u0430\u043c\u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 [\u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0432\u044b\u0441\u043e\u0442\u0430 \u044f\u0434\u0440\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430 \u044f\u0434\u0440\u0430]. \u041d\u0443 \u0430 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438 \u2014 \u044d\u0442\u043e \u0441\u043a\u043e\u043b\u044c\u0436\u0435\u043d\u0438\u0435 \u044f\u0434\u0440\u043e\u043c \u043f\u043e \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u0435 \u043a\u0430\u043a \u043d\u0430 \u0433\u0438\u0444\u043a\u0435. \u041a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437, \u043a\u043e\u0433\u0434\u0430 \u043c\u044b \u043f\u0440\u0438\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c \u044f\u0434\u0440\u043e \u043a \u043a\u0443\u0441\u043e\u0447\u043a\u0443 \u0432\u0445\u043e\u0434\u0430, \u043c\u044b \u043f\u0435\u0440\u0435\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0435 \u0432\u0435\u0441\u0430 \u044f\u0434\u0440\u0430 \u0441 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c\u0438 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b \u0438 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u043d\u043e\u0432\u044b\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a \u0432 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u043c \u043a\u0430\u043d\u0430\u043b\u0435.<\/p>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/c2e\/3dc\/816\/c2e3dc8160c00bafd9b6320d5eb508f9.gif\" width=\"390\" height=\"345\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/c2e\/3dc\/816\/c2e3dc8160c00bafd9b6320d5eb508f9.gif\"\/><figcaption><\/figcaption><\/figure>\n<p>[<a href=\"http:\/\/wikipedia.org\" rel=\"noopener noreferrer nofollow\">wikipedia.org<\/a>] <\/p>\n<p>\u0421\u0430\u043c\u043e\u0435 \u0432\u0440\u0435\u043c\u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430. \u0421\u0432\u0451\u0440\u0442\u043a\u0430 \u2014  \u044d\u0442\u043e \u043f\u043e\u0447\u0442\u0438 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f, \u0442\u043e\u043b\u044c\u043a\u043e \u044f\u0434\u0440\u043e \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u043e \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u044c\u043d\u043e\u0439 \u0438 \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u044c\u043d\u043e\u0439 \u043e\u0441\u0438. \u042d\u0442\u0443 \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0447\u0430\u0441\u0442\u043e \u043e\u043f\u0443\u0441\u043a\u0430\u044e\u0442, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0434\u043b\u044f \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441\u0435\u0442\u043e\u043a \u044d\u0442\u043e \u043d\u0435 \u0432\u0430\u0436\u043d\u043e, \u043d\u043e \u0434\u043b\u044f \u043d\u0430\u0441 \u044d\u0442\u0430 \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0432\u0430\u0436\u043d\u0430, \u0442\u0430\u043a \u043a\u0430\u043a \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u044b\u0432\u0430\u0442\u044c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432\u0435\u0441\u0430.<\/p>\n<p>\u0412\u044b, \u043d\u0430\u0432\u0435\u0440\u043d\u043e\u0435, \u0437\u0430\u043c\u0435\u0442\u0438\u043b\u0438, \u0447\u0442\u043e \u043e\u043f\u0438\u0441\u0430\u043d\u043d\u0430\u044f \u0432\u044b\u0448\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u0438\u0437 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 1. \u0412 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0430\u0445 \u0436\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0441\u043e\u0437\u0434\u0430\u044e\u0442 \u0438\u0437 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e. \u0414\u043e\u0441\u0442\u0438\u0433\u0430\u0435\u0442\u0441\u044f \u044d\u0442\u043e \u0442\u0435\u043c, \u0447\u0442\u043e \u0432 \u0441\u043b\u043e\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043e\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0445 \u0432\u044b\u0448\u0435 \u044f\u0434\u0435\u0440, \u043a\u0430\u0436\u0434\u043e\u0435 \u0438\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u0435\u0442 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b, \u0430 \u0437\u0430\u0442\u0435\u043c \u043e\u043d\u0438 \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u044e\u0442\u0441\u044f. \u0418\u0442\u043e\u0433\u043e\u0432\u0430\u044f \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u044f\u0434\u0440\u0430 \u0442\u0430\u043a\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f: [\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u0432\u0445\u043e\u0434 X \u0432\u044b\u0441\u043e\u0442\u0430 \u044f\u0434\u0440\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430 \u044f\u0434\u0440\u0430]<\/p>\n<p>\u0421\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044c \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0432 pytorch \u0438 \u0432\u043e \u043c\u043d\u043e\u0433\u0438\u0445 \u0434\u0440\u0443\u0433\u0438\u0445 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u0445 \u2014 \u044d\u0442\u043e \u0431\u0438\u0430\u0441, \u0438\u043b\u0438 \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435. \u0411\u0438\u0430\u0441 \u044d\u0442\u043e \u0431\u0443\u043a\u0432\u0430\u043b\u044c\u043d\u043e \u043d\u0430\u0431\u043e\u0440 \u0432\u0435\u0441\u043e\u0432 \u043f\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u043a\u0430\u043d\u0430\u043b\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0422\u043e \u0435\u0441\u0442\u044c \u043a \u043a\u0430\u0436\u0434\u043e\u043c\u0443 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0443 \u043a\u0430\u043d\u0430\u043b\u0430 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0430.<\/p>\n<p>\u0421\u0430\u043c\u043e\u0435 \u0432\u0440\u0435\u043c\u044f \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u0442\u044c \u043d\u0430\u0448\u0443 \u0437\u0430\u0434\u0430\u0447\u0443. \u0417\u0430\u0434\u0430\u0447\u0430 \u2014 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0438\u0442\u044c \u0434\u0432\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0432 \u043e\u0434\u043d\u0443. \u041f\u043e\u0447\u0435\u043c\u0443 \u044d\u0442\u043e \u0432\u043e\u043e\u0431\u0449\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e? \u041a\u0440\u0430\u0442\u043a\u0438\u0439 \u043e\u0442\u0432\u0435\u0442 \u0442\u0430\u043a\u043e\u0439 \u2014 \u0447\u0442\u043e \u0441\u0432\u0451\u0440\u0442\u043a\u0430, \u0447\u0442\u043e \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0431\u0438\u0430\u0441\u0430 \u2014 \u044d\u0442\u043e \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438. \u0410 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u044f \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 \u2014 \u043b\u0438\u043d\u0435\u0439\u043d\u0430\u044f \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f. \u0411\u043e\u043b\u0435\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e \u044f \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f \u043d\u0438\u0436\u0435, \u0441\u043c\u043e\u0442\u0440\u044f \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432 \u043a\u043e\u0434.<\/p>\n<p>\u041d\u0430\u0447\u043d\u0435\u043c \u0441 \u0441\u0430\u043c\u043e\u0433\u043e \u043f\u0440\u043e\u0441\u0442\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f. \u041e\u0434\u043d\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430, \u0432\u0442\u043e\u0440\u0430\u044f 1\u04451. \u041d\u0438 \u0443 \u043e\u0434\u043d\u043e\u0439 \u043d\u0435\u0442 \u0431\u0438\u0430\u0441\u0430. \u041e\u0431\u0435 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b \u0432 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b. \u041f\u0440\u043e\u0441\u0442\u044b\u043c \u044d\u0442\u043e\u0442 \u0441\u043b\u0443\u0447\u0430\u0439 \u0434\u0435\u043b\u0430\u0435\u0442 \u0441\u0432\u0435\u0440\u0442\u043a\u0430 1\u04451. \u0424\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438, \u043e\u043d\u0430 \u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u0434\u043e\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u0435 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b \u043d\u0430 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0443. \u0410 \u0437\u043d\u0430\u0447\u0438\u0442, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u0432\u0435\u0441\u0430 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u043d\u0430 \u044d\u0442\u0443 \u0441\u0430\u043c\u0443\u044e \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0443.<\/p>\n<pre><code class=\"python\">import torch import numpy as np<\/code><\/pre>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(1, 1, (3, 3), bias=False) # [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u0430] conv2 = torch.nn.Conv2d(1, 1, (1, 1), bias=False) # \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451. \u0415\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0435\u0435 \u0432\u0435\u0441\u0430, \u0442\u0430\u043c \u0431\u0443\u0434\u0435\u0442 \u0440\u043e\u0432\u043d\u043e \u043e\u0434\u043d\u043e \u0447\u0438\u0441\u043b\u043e.  new_conv = torch.nn.Conv2d(1, 1, 3, bias=False) # \u0412\u043e\u0442 \u044d\u0442\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u043e\u0431\u044a\u0435\u0434\u0435\u043d\u0438\u0442 \u0434\u0432\u0435. new_conv.weight.data = conv1.weight.data * conv2.weight.data   # \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u043c \u0447\u0442\u043e \u0432\u0441\u0435 \u0441\u0440\u0430\u0431\u043e\u0442\u0430\u043b\u043e x = torch.randn([1, 1, 6, 6]) # [\u0420\u0430\u0437\u043c\u0435\u0440 \u0431\u0430\u0442\u0447\u0430 X \u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u043e \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u0438 X \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u043e \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u0438] out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0423\u0441\u043b\u043e\u0436\u043d\u0438\u043c. \u041f\u0443\u0441\u0442\u044c \u0442\u0435\u043f\u0435\u0440\u044c \u043f\u0435\u0440\u0432\u0430\u044f \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u0412 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u043d\u0430\u0448\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451 \u0431\u0443\u0434\u0435\u0442 \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u043e\u0439 \u0441\u0443\u043c\u043c\u043e\u0439 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b. \u0410 \u044d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u043e \u0441\u043b\u043e\u0436\u0438\u0442\u044c \u0432\u0435\u0441\u0430, \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u044e\u0449\u0438\u0435 \u044d\u0442\u0438 \u0441\u0430\u043c\u044b\u0435 \u043a\u0430\u043d\u0430\u043b\u044b.<\/p>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(2, 3, (3, 3), bias=False) # [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u0430] conv2 = torch.nn.Conv2d(3, 1, (1, 1), bias=False) # \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451. \u0415\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0435\u0435 \u0432\u0435\u0441\u0430, \u0442\u043e \u0443\u0436\u0435 \u0431\u0443\u0434\u0435\u0442 3 \u0447\u0438\u0441\u043b\u0430.  new_conv = torch.nn.Conv2d(2, 1, 3, bias=False) # \u0412 \u0438\u0442\u043e\u0433\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0438\u0437 \u0434\u0432\u0443\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c 1.  # \u0412\u0435\u0441\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u2014 \u0442\u0435\u043d\u0437\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u0430: [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u04301 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u04302] # \u0427\u0442\u043e\u0431\u044b \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u043f\u043e \u043f\u0435\u0440\u0432\u043e\u043c\u0443 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u044e \u0432\u0435\u0441\u0430, \u043e\u0442\u0432\u0435\u0447\u0430\u044e\u0449\u0438\u0435 \u0437\u0430 \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u0441 \u0438\u0445 \u0432\u0435\u0441\u043e\u043c, # \u043d\u0430\u043c \u043f\u0440\u0438\u0434\u0435\u0442\u0441\u044f \u043f\u0435\u0440\u043c\u044c\u044e\u0442\u043d\u0443\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 \u0432\u0442\u043e\u0440\u043e\u0439 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. # \u0417\u0430\u0442\u0435\u043c \u0441\u0443\u043c\u043c\u0438\u0440\u0443\u0435\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u0441\u0430 \u0438 \u0434\u043e\u0440\u0438\u0441\u043e\u0432\u044b\u0432\u0430\u0435\u043c \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u0435, \u0434\u0430\u0431\u044b \u0443\u0441\u043f\u0435\u0448\u043d\u043e \u043f\u043e\u0434\u043c\u0435\u043d\u0438\u0442\u044c \u0432\u0435\u0441\u0430. new_conv.weight.data = (conv1.weight.data * conv2.weight.data.permute(1, 0, 2, 3)).sum(0)[None, ]  x = torch.randn([1, 2, 6, 6])  out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0415\u0449\u0435 \u0443\u0441\u043b\u043e\u0436\u043d\u0438\u043c. \u041f\u0443\u0441\u0442\u044c \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0431\u0435 \u043d\u0430\u0448\u0438 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u0412 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u043d\u0430\u0448\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451 \u0431\u0443\u0434\u0435\u0442 \u043d\u0430\u0431\u043e\u0440\u043e\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0445 \u0441\u0443\u043c\u043c \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b. \u041b\u043e\u0433\u0438\u043a\u0430 \u0442\u0443\u0442 \u0442\u0430 \u0436\u0435. \u041d\u0443\u0436\u043d\u043e \u0432\u0437\u0432\u0435\u0441\u0438\u0442\u044c \u0432\u0435\u0441\u0430, \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u044e\u0449\u0438\u0435 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b, \u0441 \u0432\u0435\u0441\u0430\u043c\u0438 \u0438\u0437 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438.<\/p>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(2, 3, 3, bias=False) conv2 = torch.nn.Conv2d(3, 5, 1, bias=False)  new_conv = torch.nn.Conv2d(1, 5, 3, bias=False) # \u0417\u0430\u0431\u0430\u0432\u043d\u044b\u0439 \u0444\u0430\u043a\u0442:                                                 # \u041d\u0435 \u0432\u0430\u0436\u043d\u043e \u043a\u0430\u043a\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u044b \u043f\u0435\u0440\u0435\u0434\u0430\u0432\u0430\u0442\u044c \u043f\u0440\u0438 \u0438\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438.                                                 # \u041f\u043e\u0434\u043c\u0435\u043d\u0430 \u0432\u0435\u0441\u043e\u0432 \u0432\u0441\u0435 \u0438\u0441\u043f\u0440\u0430\u0432\u0438\u0442.  # \u041c\u0430\u0433\u0438\u044f \u0431\u0440\u043e\u0434\u043a\u0430\u0441\u0442\u0430 \u0432 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0438. \u041c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0442\u0430\u043a \u0438 \u0432 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u0435, \u043d\u043e \u0447\u0442\u043e-\u0442\u043e \u0436\u0435 \u0434\u043e\u043b\u0436\u043d\u043e \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c\u0441\u044f. new_conv.weight.data = (conv2.weight.data[..., None] * conv1.weight.data[None]).sum(1)  x = torch.randn([1, 2, 6, 6]) out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u041f\u0440\u0438\u0448\u043b\u043e \u0432\u0440\u0435\u043c\u044f \u043e\u0442\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f \u043e\u0442 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0414\u0430\u0432\u0430\u0439\u0442\u0435 \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0432 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435. \u0414\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0430 \u043e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u0443\u044e \u0441\u0432\u0435\u0440\u0442\u043a\u0443. \u041a\u0430\u043a \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f k \u0441 \u044f\u0434\u0440\u043e\u043c 2?<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"k_1 * x_i + k_2 * x_{i+1}\" alt=\"k_1 * x_i + k_2 * x_{i+1}\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/3c9\/104\/781\/3c910478100990b65e3359f886cd08c3.svg\" width=\"153\" height=\"21\"\/><\/p>\n<p>\u0414\u043e\u0431\u0430\u0432\u0438\u043c \u0441\u044e\u0434\u0430 \u0432\u0442\u043e\u0440\u0443\u044e \u0441\u0432\u0435\u0440\u0442\u043a\u0443 v, \u0441\u043d\u043e\u0432\u0430 \u0441 \u044f\u0434\u0440\u043e\u043c 2:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"v_1 * (k_1 * x_i + k_2 * x_{i+1}) + v_2 * (k_1 * x_{i+1} + k_2 * x_{i+2})\" alt=\"v_1 * (k_1 * x_i + k_2 * x_{i+1}) + v_2 * (k_1 * x_{i+1} + k_2 * x_{i+2})\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/188\/918\/b80\/188918b80109a91ebe00e3dc89970535.svg\" width=\"451\" height=\"22\"\/><\/p>\n<p>\u0420\u0430\u0441\u043a\u0440\u043e\u0435\u043c \u0441\u043a\u043e\u0431\u043a\u0438, \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0438\u0432 \u0432\u043e\u043a\u0440\u0443\u0433 x:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"x_i * v_1 * k_1 + x_{i+1} * (v_1 * k_2 + v_2 * k_1) + x_{i+1} * v_2 * k_2\" alt=\"x_i * v_1 * k_1 + x_{i+1} * (v_1 * k_2 + v_2 * k_1) + x_{i+1} * v_2 * k_2\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/9dc\/0df\/2dc\/9dc0df2dcfa9f52b9a4d34d3443610fa.svg\" width=\"455\" height=\"22\"\/><\/p>\n<p>\u0414\u043e\u0431\u0430\u0432\u0438\u043c \u043b\u0438\u0448\u043d\u0438\u0445 \u043d\u0443\u043b\u0435\u0439:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula inline\" source=\"x_i * (v_1 * k_1 + 0 * v_2) + x_{i+1} * (v_1 * k_2 + v_2 * k_1) + x_{i+1} * (0 * v1 + v_2 * k_2)\" alt=\"x_i * (v_1 * k_1 + 0 * v_2) + x_{i+1} * (v_1 * k_2 + v_2 * k_1) + x_{i+1} * (0 * v1 + v_2 * k_2)\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/b16\/26c\/09b\/b1626c09b9d3ec0b8053c866a3bcfc7a.svg\" width=\"628\" height=\"22\"\/><\/p>\n<p>\u0427\u0442\u043e \u0443 \u043d\u0430\u0441 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c? \u041f\u043e\u043b\u0443\u0447\u0438\u043b\u0430\u0441\u044c \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u0441 \u044f\u0434\u0440\u043e\u043c 3. \u0410 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0443 \u044d\u0442\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u2014 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438 \u0432\u0435\u0441\u043e\u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u043e\u0441\u043b\u0435 \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u0430 \u0432\u0435\u0441\u0430\u043c\u0438 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0421\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0434\u043b\u044f \u0434\u0440\u0443\u0433\u0438\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432 \u044f\u0434\u0435\u0440, \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f, \u043c\u043d\u043e\u0433\u043e\u043a\u0430\u043d\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0442\u0430 \u0436\u0435 \u043b\u043e\u0433\u0438\u043a\u0430. \u041d\u043e \u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u0432\u044b\u0432\u043e\u0434\u0435 \u0434\u043b\u044f \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0441\u043b\u0443\u0447\u0430\u0435\u0432 \u044f \u043d\u0435 \u0431\u0443\u0434\u0443, \u0432\u043c\u0435\u0441\u0442\u043e \u044d\u0442\u043e\u0433\u043e \u043f\u043e\u043a\u0430\u0436\u0443 \u043a\u0430\u043a \u0432\u0441\u0435 \u044d\u0442\u043e \u043a\u043e\u0434\u0438\u0442\u044c.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=False) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=False)   new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=False)  # \u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0443\u043b\u0435\u0439 \u043d\u0430\u0434\u043e \u0434\u043e\u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 # \u041f\u0430\u0434\u0434\u0438\u043d\u0433 \u044d\u0442\u043e \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0443\u043b\u0435\u0439 \u043d\u0430\u0434\u043e \u043d\u0430\u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u044b \u043f\u043e \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u0438 \u0438 \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u0438 padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3), # \u0423\u0436\u0435 \u0437\u043d\u0430\u043a\u043e\u043c\u044b\u0439 \u043d\u0430\u043c \u0442\u0440\u044e\u043a. \u041c\u043e\u0442\u0438\u0432\u0430\u0446\u0438\u044f \u0442\u0430 \u0436\u0435.                                     conv2.weight.data.flip(-1, -2), # \u0410 \u0432\u043e\u0442 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e \u0447\u0442\u043e\u0431\u044b \u0441\u0432\u0435\u0440\u0442\u043a\u0443 \u043f\u0440\u0435\u0432\u0430\u0440\u0438\u0442\u0438\u0442\u044c \u0432 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044e.                                     padding=padding).permute(1, 0, 2, 3)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0431\u0438\u0430\u0441\u044b. \u041d\u0430\u0447\u043d\u0435\u043c \u0441 \u043d\u0430\u043b\u0438\u0447\u0438\u044f \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u044f \u0443 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u041d\u0430\u043f\u043e\u043c\u043d\u044e, \u0447\u0442\u043e \u0431\u0438\u0430\u0441 \u2014 \u044d\u0442\u043e \u0432\u0435\u043a\u0442\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u0441 \u043a\u043e\u043b-\u0432\u043e \u0432\u044b\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u043e\u0442\u043e\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u041d\u0443 \u0430 \u0437\u043d\u0430\u0447\u0438\u0442, \u043d\u0430\u043c \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u0440\u0438\u0440\u0430\u0432\u043d\u044f\u0442\u044c \u0431\u0438\u0430\u0441 \u043d\u0430\u0448\u0435\u0439 \u043d\u043e\u0432\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043a \u0431\u0438\u0430\u0441\u0443 \u0432\u0442\u043e\u0440\u043e\u0439.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=False) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=True)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x))  new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=True) padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                     conv2.weight.data.flip(-1, -2),                                     padding=padding).permute(1, 0, 2, 3)  new_conv.bias.data = conv2.bias.data # \u0432\u043e\u0442 \u0442\u0443\u0442 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0441\u0442\u044c  new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0421 \u0431\u0438\u0430\u0441\u043e\u043c \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043f\u043e\u0439\u0434\u0435\u043c \u0432 \u0434\u0432\u0430 \u044d\u0442\u0430\u043f\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u0437\u0430\u043c\u0435\u0442\u0438\u043c, \u0447\u0442\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0431\u0438\u0430\u0441\u0430 \u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442\u043d\u043e \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044e \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u044b, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438 \u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u0431\u0443\u0434\u0443\u0442 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u044b \u0438 \u0440\u0430\u0432\u043d\u044b \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u044f. \u0417\u0430\u0442\u0435\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u0438\u043c \u044d\u0442\u0443 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u0443 \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=True) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=False)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x))    new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=False) padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                     conv2.weight.data.flip(-1, -2),                                     padding=padding).permute(1, 0, 2, 3)   new_out = new_conv(x)  add_x = torch.ones(1, 3, 7, 7) * conv1.bias.data[None, :, None, None] # \u0422\u0443\u0442 \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0434\u043e\u043f \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u0430 new_out += conv2(add_x)   assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u041d\u043e \u043d\u0430\u043c \u0432\u0435\u0434\u044c \u043d\u0435 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437 \u0441\u043e\u0437\u0434\u0430\u0432\u0430\u0442\u044c \u044d\u0442\u0443 \u043b\u0438\u0448\u043d\u0438\u044e \u0444\u0438\u0447\u0435\u043f\u0430\u043c\u0443, \u043d\u0430\u043c \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043a\u0430\u043a-\u0442\u043e \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u044c \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0418 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u044d\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c. \u0414\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043b\u0438\u0448\u044c \u0437\u0430\u043c\u0435\u0442\u0438\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u0441\u043b\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u043d\u0430\u0434 \u0442\u0430\u043a\u043e\u0439 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u043e\u0439 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u0435\u0449\u0435 \u043e\u0434\u043d\u0430 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u043d\u0430\u044f \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u0430. \u041c\u043e\u0442\u0438\u0432\u0430\u0446\u0438\u044f \u043f\u0440\u043e\u0441\u0442\u0430\u044f \u2014 \u043a\u0443\u0434\u0430 \u0431\u044b \u043c\u044b \u043d\u0435 \u043f\u0440\u0438\u043b\u043e\u0436\u0438\u043b\u0438 \u043e\u043a\u043e\u0448\u043a\u043e, \u0441\u0440\u0435\u0437 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0439. \u0417\u043d\u0430\u0447\u0438\u0442, \u043d\u0430\u043c \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0441\u0432\u0435\u0440\u043d\u0443\u0442\u044c \u0442\u0430\u043a\u0443\u044e \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u0443 \u0432\u0441\u0435\u0433\u043e \u043e\u0434\u0438\u043d \u0440\u0430\u0437, \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c, \u043a\u0430\u043a\u0438\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438\u0441\u044c \u043d\u0430 \u043a\u0430\u0436\u0434\u043e\u043c \u043a\u0430\u043d\u0430\u043b\u0435, \u0438 \u0437\u0430\u043f\u0438\u0441\u0430\u0442\u044c \u0438\u0445 \u0432 \u0431\u0438\u0430\u0441.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=True) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=True)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x))    new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged) padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                     conv2.weight.data.flip(-1, -2),                                     padding=padding).permute(1, 0, 2, 3)   add_x = torch.ones(1, 3, *kernel_size_2) * conv1.bias.data[None, :, None, None]  # \u042d\u0442\u0430 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f \u043e\u0434\u043d\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e \u043f\u0435\u0440\u0435\u043d\u043e\u0441\u0438\u0442 \u0431\u0438\u0430\u0441 \u0438\u0437 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0438 \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u0442 \u0431\u0438\u0430\u0441 \u0432\u0442\u043e\u0440\u043e\u0439. new_conv.bias.data = conv2(add_x).flatten() new_out = new_conv(x)  assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u041e\u0441\u0442\u0430\u043b\u043e\u0441\u044c \u043f\u0440\u043e\u0441\u0442\u043e \u043e\u0431\u0435\u0440\u043d\u0443\u0442\u044c \u044d\u0442\u043e \u0432\u0441\u0435 \u0432 \u0444\u0443\u043d\u043a\u0446\u0438\u044e, \u0443\u0431\u0440\u0430\u0432 \u0432\u043e\u043b\u0448\u0435\u0431\u043d\u044b\u0435 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u044b \u0434\u043b\u044f \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0435\u0439.<\/p>\n<pre><code class=\"python\">import torch import numpy as np  def merge_two_conv(conv1, conv2):     kernel_size_1 = np.array(conv1.weight.size()[-2:])     kernel_size_2 = np.array(conv2.weight.size()[-2:])     kernel_size_merged = kernel_size_1 + kernel_size_2 - 1               in_channels = conv1.weight.size()[1]     out_channels = conv2.weight.size()[0]     inner_channels = conv1.weight.size()[0]      new_conv = torch.nn.Conv2d(in_channels, out_channels, kernel_size_merged)     padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]      new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                         conv2.weight.data.flip(-1, -2),                                         padding=padding).permute(1, 0, 2, 3)       add_x = torch.ones(1, inner_channels, *kernel_size_2)     add_x *= conv1.bias.data[None, :, None, None]          new_conv.bias.data = torch.conv2d(add_x,                                       conv2.weight.data).flatten()              new_conv.bias.data += conv2.bias.data     return new_conv  conv1 = torch.nn.Conv2d(2, 3, 3) conv2 = torch.nn.Conv2d(3, 5, (4, 5)) new_conv = merge_two_conv(conv1, conv2)  x = torch.randn([1, 2, 9, 9])  assert (torch.abs(conv2(conv1(x)) - new_conv(x)) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0412 \u043a\u043e\u043d\u0446\u0435 \u0441\u0442\u0430\u0442\u044c\u0438 \u0445\u043e\u0447\u0443 \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043d\u0430\u0448\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0431\u0443\u0434\u0435\u0442 \u0441\u043f\u0440\u0430\u0432\u043b\u044f\u0442\u0441\u044f \u043d\u0435 \u0441 \u043a\u0430\u0436\u0434\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u043e\u0439. \u0412 \u044d\u0442\u043e\u0439 \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u043c\u044b \u043d\u0435 \u0443\u0447\u043b\u0438 \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u0430, \u0434\u0438\u043b\u044f\u0446\u0438\u0438, \u0441\u0442\u0440\u0430\u0439\u0434\u043e\u0432, \u0433\u0440\u0443\u043f\u043f. \u041d\u043e \u0442\u0435\u043c \u043d\u0435 \u043c\u0435\u043d\u0435\u0435, \u044f \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u0432\u0441\u0435, \u0447\u0442\u043e \u0445\u043e\u0442\u0435\u043b. \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c \u0434\u0430\u043b\u044c\u0448\u0435, \u043d\u0430\u0432\u0435\u0440\u043d\u043e\u0435, \u043c\u0430\u043b\u043e \u0441\u043c\u044b\u0441\u043b\u0430, \u0442\u0430\u043a \u043a\u0430\u043a \u0437\u0430\u0434\u0430\u0447\u0438 \u043f\u043e \u0441\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u043d\u0438\u044e \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445 \u0441\u0432\u0435\u0440\u0442\u043e\u043a \u0432 \u043e\u0434\u043d\u0443 \u044f \u0432\u0438\u0434\u0435\u043b \u043b\u0438\u0448\u044c \u0440\u0430\u0437, <a href=\"https:\/\/github.com\/ARM-software\/sesr\" rel=\"noopener noreferrer nofollow\">\u0442\u0443\u0442<\/a>, \u0438 \u0442\u043e \u0442\u0430\u043c \u0432\u0442\u043e\u0440\u0430\u044f \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u0431\u044b\u043b\u0430 1&#215;1.<\/p>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"v-portal\" style=\"display:none;\"><\/div>\n<\/div>\n<p> <!----> <!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/post\/671024\/\"> https:\/\/habr.com\/ru\/post\/671024\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u041d\u0435\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430\u044f \u0446\u0435\u043b\u044c \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u2014 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c, \u043a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u0441\u043c\u0435\u0440\u0436\u0438\u0442\u044c \u0434\u0432\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u0430\u0439\u0442\u043e\u0440\u0447\u0430 \u0432 \u043e\u0434\u043d\u0443. \u0415\u0441\u043b\u0438 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430 \u043b\u0438\u0448\u044c \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u043f\u0440\u043e\u0448\u0443 \u0432 \u043a\u043e\u043d\u0435\u0446 \u0441\u0442\u0430\u0442\u044c\u0438.<\/p>\n<p>\u0410 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0430\u044f \u0446\u0435\u043b\u044c \u2014 \u043f\u043e\u0442\u044b\u043a\u0430\u0442\u044c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432 \u0432\u0435\u0441\u0430 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u043a. \u0423\u0437\u043d\u0430\u0442\u044c, \u043a\u0430\u043a \u043e\u043d\u0438 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e \u0432 pytorch, \u043d\u0435 \u0432\u0434\u0430\u0432\u0430\u044f\u0441\u044c \u0432 \u0445\u0430\u0440\u0434\u043a\u043e\u0440\u043d\u044b\u0435 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0441\u0442\u0438 \u043f\u043e \u0442\u0438\u043f\u0443 im2col.<br \/> \u041d\u043e \u043f\u0435\u0440\u0435\u0434 \u0442\u0435\u043c, \u043a\u0430\u043a \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c, \u0441 \u0447\u0435\u043c \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u043c.<\/p>\n<p>\u041d\u0430\u0447\u043d\u0451\u043c \u0441 \u0442\u0435\u0440\u043c\u0438\u043d\u043e\u043b\u043e\u0433\u0438\u0438. \u041d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c, \u0438\u043b\u0438 \u0433\u0440\u0430\u0444 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u2014 \u044d\u0442\u043e \u043d\u0430\u0431\u043e\u0440 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 (\u0441\u043b\u043e\u0451\u0432), \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0442\u0441\u044f \u043d\u0430\u0434 \u0432\u0445\u043e\u0434\u043d\u044b\u043c \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u043c \u0438\u043b\u0438 \u043d\u0430\u0434 \u0432\u044b\u0445\u043e\u0434\u0430\u043c\u0438 \u0434\u0440\u0443\u0433\u0438\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439. \u041d\u0430\u0441 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u0435\u0442 \u0437\u0440\u0435\u043d\u0438\u0435 \u0438 \u0441\u0432\u0451\u0440\u0442\u043a\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u0445\u043e\u0434\u043d\u044b\u043c \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u043c \u0431\u0443\u0434\u0435\u0442 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430: \u0442\u0435\u043d\u0437\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 [\u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0432\u044b\u0441\u043e\u0442\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430], \u0433\u0434\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0447\u0430\u0449\u0435 \u0432\u0441\u0435\u0433\u043e 3 (RGB). \u041f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0432\u044b\u0445\u043e\u0434\u044b \u0431\u0443\u0434\u0443\u0442 \u043d\u0430\u0437\u044b\u0432\u0430\u0442\u044c\u0441\u044f \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u043e\u0439 \u0438\u043b\u0438 \u043a\u0430\u0440\u0442\u043e\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432. \u0424\u0438\u0447\u0435\u043c\u0430\u043f\u0430 \u2014 \u044d\u0442\u043e \u0432 \u043a\u0430\u043a\u043e\u043c-\u0442\u043e \u0441\u043c\u044b\u0441\u043b\u0435 \u0442\u0430 \u0436\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430, \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435, \u0430 \u043a\u0430\u0436\u0434\u0430\u044f \u044f\u0447\u0435\u0439\u043a\u0430 \u0442\u0435\u043d\u0437\u043e\u0440\u0430 \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u043c, \u0430 \u043d\u0435 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u043c. \u041d\u0443 \u0430 \u0447\u0442\u043e\u0431\u044b \u0443\u043c\u0435\u0442\u044c \u0437\u0430 \u043e\u0434\u0438\u043d \u043f\u0440\u043e\u0445\u043e\u0434 \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0442\u044c \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a, \u0443 \u0432\u0441\u0435\u0445 \u044d\u0442\u0438\u0445 \u0442\u0435\u043d\u0437\u043e\u0440\u043e\u0432 \u043f\u043e\u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u0432 \u043a\u043e\u043b-\u0432\u043e \u043e\u0431\u044c\u0435\u043a\u0442\u043e\u0432 \u0432 \u0431\u0430\u0442\u0447\u0435 (\u043e\u0434\u043d\u043e\u043c \u043f\u0440\u043e\u0433\u043e\u043d\u0435).<\/p>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043a \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438. \u0427\u0430\u0441\u0442\u043e \u0435\u0435 \u043f\u0443\u0442\u0430\u044e\u0442 \u0441\u043e \u0441\u0432\u0435\u0440\u0442\u043a\u043e\u0439, \u043d\u043e \u0434\u043b\u044f \u043d\u0430\u0448\u0438\u0445 \u0446\u0435\u043b\u0435\u0439 \u044d\u0442\u0438 \u0434\u0432\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438 \u043d\u0430\u0434\u043e \u0440\u0430\u0437\u043b\u0438\u0447\u0430\u0442\u044c. \u0427\u0442\u043e \u0436\u0435 \u0442\u0430\u043a\u043e\u0435 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439? \u041f\u0435\u0440\u0432\u043e-\u043d\u0430\u043f\u0435\u0440\u0432\u043e \u043d\u0430\u0434\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f \u0438\u043c\u0435\u0435\u0442 \u044f\u0434\u0440\u043e. \u042f\u0434\u0440\u043e \u2014 \u044d\u0442\u043e \u0442\u0435\u043d\u0437\u043e\u0440 \u0441 \u0447\u0438\u0441\u043b\u0430\u043c\u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 [\u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0432\u044b\u0441\u043e\u0442\u0430 \u044f\u0434\u0440\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430 \u044f\u0434\u0440\u0430]. \u041d\u0443 \u0430 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438 \u2014 \u044d\u0442\u043e \u0441\u043a\u043e\u043b\u044c\u0436\u0435\u043d\u0438\u0435 \u044f\u0434\u0440\u043e\u043c \u043f\u043e \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u0435 \u043a\u0430\u043a \u043d\u0430 \u0433\u0438\u0444\u043a\u0435. \u041a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437, \u043a\u043e\u0433\u0434\u0430 \u043c\u044b \u043f\u0440\u0438\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c \u044f\u0434\u0440\u043e \u043a \u043a\u0443\u0441\u043e\u0447\u043a\u0443 \u0432\u0445\u043e\u0434\u0430, \u043c\u044b \u043f\u0435\u0440\u0435\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0435 \u0432\u0435\u0441\u0430 \u044f\u0434\u0440\u0430 \u0441 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c\u0438 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b \u0438 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u043d\u043e\u0432\u044b\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a \u0432 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u043c \u043a\u0430\u043d\u0430\u043b\u0435.<\/p>\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<p>[<a href=\"http:\/\/wikipedia.org\" rel=\"noopener noreferrer nofollow\">wikipedia.org<\/a>] <\/p>\n<p>\u0421\u0430\u043c\u043e\u0435 \u0432\u0440\u0435\u043c\u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430. \u0421\u0432\u0451\u0440\u0442\u043a\u0430 \u2014  \u044d\u0442\u043e \u043f\u043e\u0447\u0442\u0438 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044f, \u0442\u043e\u043b\u044c\u043a\u043e \u044f\u0434\u0440\u043e \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u043e \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u044c\u043d\u043e\u0439 \u0438 \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u044c\u043d\u043e\u0439 \u043e\u0441\u0438. \u042d\u0442\u0443 \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0447\u0430\u0441\u0442\u043e \u043e\u043f\u0443\u0441\u043a\u0430\u044e\u0442, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0434\u043b\u044f \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441\u0435\u0442\u043e\u043a \u044d\u0442\u043e \u043d\u0435 \u0432\u0430\u0436\u043d\u043e, \u043d\u043e \u0434\u043b\u044f \u043d\u0430\u0441 \u044d\u0442\u0430 \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0432\u0430\u0436\u043d\u0430, \u0442\u0430\u043a \u043a\u0430\u043a \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u044b\u0432\u0430\u0442\u044c \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432\u0435\u0441\u0430.<\/p>\n<p>\u0412\u044b, \u043d\u0430\u0432\u0435\u0440\u043d\u043e\u0435, \u0437\u0430\u043c\u0435\u0442\u0438\u043b\u0438, \u0447\u0442\u043e \u043e\u043f\u0438\u0441\u0430\u043d\u043d\u0430\u044f \u0432\u044b\u0448\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u0438\u0437 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 1. \u0412 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0430\u0445 \u0436\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0441\u043e\u0437\u0434\u0430\u044e\u0442 \u0438\u0437 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e. \u0414\u043e\u0441\u0442\u0438\u0433\u0430\u0435\u0442\u0441\u044f \u044d\u0442\u043e \u0442\u0435\u043c, \u0447\u0442\u043e \u0432 \u0441\u043b\u043e\u0435 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0445\u0440\u0430\u043d\u044f\u0442\u0441\u044f \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043e\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0445 \u0432\u044b\u0448\u0435 \u044f\u0434\u0435\u0440, \u043a\u0430\u0436\u0434\u043e\u0435 \u0438\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u0435\u0442 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b, \u0430 \u0437\u0430\u0442\u0435\u043c \u043e\u043d\u0438 \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u044e\u0442\u0441\u044f. \u0418\u0442\u043e\u0433\u043e\u0432\u0430\u044f \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u044f\u0434\u0440\u0430 \u0442\u0430\u043a\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f: [\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u0432\u0445\u043e\u0434 X \u0432\u044b\u0441\u043e\u0442\u0430 \u044f\u0434\u0440\u0430 X \u0448\u0438\u0440\u0438\u043d\u0430 \u044f\u0434\u0440\u0430]<\/p>\n<p>\u0421\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044c \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0432 pytorch \u0438 \u0432\u043e \u043c\u043d\u043e\u0433\u0438\u0445 \u0434\u0440\u0443\u0433\u0438\u0445 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u0445 \u2014 \u044d\u0442\u043e \u0431\u0438\u0430\u0441, \u0438\u043b\u0438 \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435. \u0411\u0438\u0430\u0441 \u044d\u0442\u043e \u0431\u0443\u043a\u0432\u0430\u043b\u044c\u043d\u043e \u043d\u0430\u0431\u043e\u0440 \u0432\u0435\u0441\u043e\u0432 \u043f\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u043a\u0430\u043d\u0430\u043b\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0422\u043e \u0435\u0441\u0442\u044c \u043a \u043a\u0430\u0436\u0434\u043e\u043c\u0443 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0443 \u043a\u0430\u043d\u0430\u043b\u0430 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0430.<\/p>\n<p>\u0421\u0430\u043c\u043e\u0435 \u0432\u0440\u0435\u043c\u044f \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u0442\u044c \u043d\u0430\u0448\u0443 \u0437\u0430\u0434\u0430\u0447\u0443. \u0417\u0430\u0434\u0430\u0447\u0430 \u2014 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0438\u0442\u044c \u0434\u0432\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0432 \u043e\u0434\u043d\u0443. \u041f\u043e\u0447\u0435\u043c\u0443 \u044d\u0442\u043e \u0432\u043e\u043e\u0431\u0449\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e? \u041a\u0440\u0430\u0442\u043a\u0438\u0439 \u043e\u0442\u0432\u0435\u0442 \u0442\u0430\u043a\u043e\u0439 \u2014 \u0447\u0442\u043e \u0441\u0432\u0451\u0440\u0442\u043a\u0430, \u0447\u0442\u043e \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0431\u0438\u0430\u0441\u0430 \u2014 \u044d\u0442\u043e \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438. \u0410 \u043a\u043e\u043c\u0431\u0438\u043d\u0430\u0446\u0438\u044f \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 \u2014 \u043b\u0438\u043d\u0435\u0439\u043d\u0430\u044f \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f. \u0411\u043e\u043b\u0435\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e \u044f \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f \u043d\u0438\u0436\u0435, \u0441\u043c\u043e\u0442\u0440\u044f \u043d\u0435\u043f\u043e\u0441\u0440\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0432 \u043a\u043e\u0434.<\/p>\n<p>\u041d\u0430\u0447\u043d\u0435\u043c \u0441 \u0441\u0430\u043c\u043e\u0433\u043e \u043f\u0440\u043e\u0441\u0442\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f. \u041e\u0434\u043d\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430, \u0432\u0442\u043e\u0440\u0430\u044f 1\u04451. \u041d\u0438 \u0443 \u043e\u0434\u043d\u043e\u0439 \u043d\u0435\u0442 \u0431\u0438\u0430\u0441\u0430. \u041e\u0431\u0435 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b \u0432 \u043e\u0434\u0438\u043d \u043a\u0430\u043d\u0430\u043b. \u041f\u0440\u043e\u0441\u0442\u044b\u043c \u044d\u0442\u043e\u0442 \u0441\u043b\u0443\u0447\u0430\u0439 \u0434\u0435\u043b\u0430\u0435\u0442 \u0441\u0432\u0435\u0440\u0442\u043a\u0430 1\u04451. \u0424\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438, \u043e\u043d\u0430 \u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u0434\u043e\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u0435 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b \u043d\u0430 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0443. \u0410 \u0437\u043d\u0430\u0447\u0438\u0442, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u0432\u0435\u0441\u0430 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u043d\u0430 \u044d\u0442\u0443 \u0441\u0430\u043c\u0443\u044e \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0443.<\/p>\n<pre><code class=\"python\">import torch import numpy as np<\/code><\/pre>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(1, 1, (3, 3), bias=False) # [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u0430] conv2 = torch.nn.Conv2d(1, 1, (1, 1), bias=False) # \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451. \u0415\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0435\u0435 \u0432\u0435\u0441\u0430, \u0442\u0430\u043c \u0431\u0443\u0434\u0435\u0442 \u0440\u043e\u0432\u043d\u043e \u043e\u0434\u043d\u043e \u0447\u0438\u0441\u043b\u043e.  new_conv = torch.nn.Conv2d(1, 1, 3, bias=False) # \u0412\u043e\u0442 \u044d\u0442\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u043e\u0431\u044a\u0435\u0434\u0435\u043d\u0438\u0442 \u0434\u0432\u0435. new_conv.weight.data = conv1.weight.data * conv2.weight.data   # \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u043c \u0447\u0442\u043e \u0432\u0441\u0435 \u0441\u0440\u0430\u0431\u043e\u0442\u0430\u043b\u043e x = torch.randn([1, 1, 6, 6]) # [\u0420\u0430\u0437\u043c\u0435\u0440 \u0431\u0430\u0442\u0447\u0430 X \u043a\u043e\u043b-\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 X \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u043e \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u0438 X \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u043e \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u0438] out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0423\u0441\u043b\u043e\u0436\u043d\u0438\u043c. \u041f\u0443\u0441\u0442\u044c \u0442\u0435\u043f\u0435\u0440\u044c \u043f\u0435\u0440\u0432\u0430\u044f \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u0412 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u043d\u0430\u0448\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451 \u0431\u0443\u0434\u0435\u0442 \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u043e\u0439 \u0441\u0443\u043c\u043c\u043e\u0439 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b. \u0410 \u044d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u043e \u0441\u043b\u043e\u0436\u0438\u0442\u044c \u0432\u0435\u0441\u0430, \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u044e\u0449\u0438\u0435 \u044d\u0442\u0438 \u0441\u0430\u043c\u044b\u0435 \u043a\u0430\u043d\u0430\u043b\u044b.<\/p>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(2, 3, (3, 3), bias=False) # [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u0430] conv2 = torch.nn.Conv2d(3, 1, (1, 1), bias=False) # \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451. \u0415\u0441\u043b\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0435\u0435 \u0432\u0435\u0441\u0430, \u0442\u043e \u0443\u0436\u0435 \u0431\u0443\u0434\u0435\u0442 3 \u0447\u0438\u0441\u043b\u0430.  new_conv = torch.nn.Conv2d(2, 1, 3, bias=False) # \u0412 \u0438\u0442\u043e\u0433\u0435 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u0438\u0437 \u0434\u0432\u0443\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c 1.  # \u0412\u0435\u0441\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u2014 \u0442\u0435\u043d\u0437\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u0430: [\u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u044b\u0445\u043e\u0434 X \u043a\u0430\u043d\u0430\u043b\u044b \u043d\u0430 \u0432\u0445\u043e\u0434 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u04301 X \u0440\u0430\u0437\u043c\u0435\u0440 \u044f\u0434\u0440\u04302] # \u0427\u0442\u043e\u0431\u044b \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u043f\u043e \u043f\u0435\u0440\u0432\u043e\u043c\u0443 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u044e \u0432\u0435\u0441\u0430, \u043e\u0442\u0432\u0435\u0447\u0430\u044e\u0449\u0438\u0435 \u0437\u0430 \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u0441 \u0438\u0445 \u0432\u0435\u0441\u043e\u043c, # \u043d\u0430\u043c \u043f\u0440\u0438\u0434\u0435\u0442\u0441\u044f \u043f\u0435\u0440\u043c\u044c\u044e\u0442\u043d\u0443\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 \u0432\u0442\u043e\u0440\u043e\u0439 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. # \u0417\u0430\u0442\u0435\u043c \u0441\u0443\u043c\u043c\u0438\u0440\u0443\u0435\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0435 \u0432\u0435\u0441\u0430 \u0438 \u0434\u043e\u0440\u0438\u0441\u043e\u0432\u044b\u0432\u0430\u0435\u043c \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u0435, \u0434\u0430\u0431\u044b \u0443\u0441\u043f\u0435\u0448\u043d\u043e \u043f\u043e\u0434\u043c\u0435\u043d\u0438\u0442\u044c \u0432\u0435\u0441\u0430. new_conv.weight.data = (conv1.weight.data * conv2.weight.data.permute(1, 0, 2, 3)).sum(0)[None, ]  x = torch.randn([1, 2, 6, 6])  out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0415\u0449\u0435 \u0443\u0441\u043b\u043e\u0436\u043d\u0438\u043c. \u041f\u0443\u0441\u0442\u044c \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0431\u0435 \u043d\u0430\u0448\u0438 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u0432 \u0434\u0440\u0443\u0433\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u0412 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u043d\u0430\u0448\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 1\u04451 \u0431\u0443\u0434\u0435\u0442 \u043d\u0430\u0431\u043e\u0440\u043e\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0445 \u0441\u0443\u043c\u043c \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u043e\u0439 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b. \u041b\u043e\u0433\u0438\u043a\u0430 \u0442\u0443\u0442 \u0442\u0430 \u0436\u0435. \u041d\u0443\u0436\u043d\u043e \u0432\u0437\u0432\u0435\u0441\u0438\u0442\u044c \u0432\u0435\u0441\u0430, \u043f\u043e\u0440\u043e\u0436\u0434\u0430\u044e\u0449\u0438\u0435 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0444\u0438\u0447\u0435\u043c\u0430\u043f\u044b, \u0441 \u0432\u0435\u0441\u0430\u043c\u0438 \u0438\u0437 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438.<\/p>\n<pre><code class=\"python\">conv1 = torch.nn.Conv2d(2, 3, 3, bias=False) conv2 = torch.nn.Conv2d(3, 5, 1, bias=False)  new_conv = torch.nn.Conv2d(1, 5, 3, bias=False) # \u0417\u0430\u0431\u0430\u0432\u043d\u044b\u0439 \u0444\u0430\u043a\u0442:                                                 # \u041d\u0435 \u0432\u0430\u0436\u043d\u043e \u043a\u0430\u043a\u0438\u0435 \u0440\u0430\u0437\u043c\u0435\u0440\u044b \u043f\u0435\u0440\u0435\u0434\u0430\u0432\u0430\u0442\u044c \u043f\u0440\u0438 \u0438\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438.                                                 # \u041f\u043e\u0434\u043c\u0435\u043d\u0430 \u0432\u0435\u0441\u043e\u0432 \u0432\u0441\u0435 \u0438\u0441\u043f\u0440\u0430\u0432\u0438\u0442.  # \u041c\u0430\u0433\u0438\u044f \u0431\u0440\u043e\u0434\u043a\u0430\u0441\u0442\u0430 \u0432 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0438. \u041c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0442\u0430\u043a \u0438 \u0432 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u0435, \u043d\u043e \u0447\u0442\u043e-\u0442\u043e \u0436\u0435 \u0434\u043e\u043b\u0436\u043d\u043e \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c\u0441\u044f. new_conv.weight.data = (conv2.weight.data[..., None] * conv1.weight.data[None]).sum(1)  x = torch.randn([1, 2, 6, 6]) out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u041f\u0440\u0438\u0448\u043b\u043e \u0432\u0440\u0435\u043c\u044f \u043e\u0442\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f \u043e\u0442 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f \u043d\u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0414\u0430\u0432\u0430\u0439\u0442\u0435 \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0432 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435. \u0414\u043b\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e\u0441\u0442\u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0430 \u043e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u0443\u044e \u0441\u0432\u0435\u0440\u0442\u043a\u0443. \u041a\u0430\u043a \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f k \u0441 \u044f\u0434\u0440\u043e\u043c 2?<\/p>\n<\/p>\n<p>\u0414\u043e\u0431\u0430\u0432\u0438\u043c \u0441\u044e\u0434\u0430 \u0432\u0442\u043e\u0440\u0443\u044e \u0441\u0432\u0435\u0440\u0442\u043a\u0443 v, \u0441\u043d\u043e\u0432\u0430 \u0441 \u044f\u0434\u0440\u043e\u043c 2:<\/p>\n<\/p>\n<p>\u0420\u0430\u0441\u043a\u0440\u043e\u0435\u043c \u0441\u043a\u043e\u0431\u043a\u0438, \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0438\u0432 \u0432\u043e\u043a\u0440\u0443\u0433 x:<\/p>\n<\/p>\n<p>\u0414\u043e\u0431\u0430\u0432\u0438\u043c \u043b\u0438\u0448\u043d\u0438\u0445 \u043d\u0443\u043b\u0435\u0439:<\/p>\n<\/p>\n<p>\u0427\u0442\u043e \u0443 \u043d\u0430\u0441 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c? \u041f\u043e\u043b\u0443\u0447\u0438\u043b\u0430\u0441\u044c \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u0441 \u044f\u0434\u0440\u043e\u043c 3. \u0410 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0443 \u044d\u0442\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u2014 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u0438 \u0432\u0435\u0441\u043e\u0432 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043f\u043e\u0441\u043b\u0435 \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u0430 \u0432\u0435\u0441\u0430\u043c\u0438 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u0421\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0434\u043b\u044f \u0434\u0440\u0443\u0433\u0438\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432 \u044f\u0434\u0435\u0440, \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f, \u043c\u043d\u043e\u0433\u043e\u043a\u0430\u043d\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0442\u0430 \u0436\u0435 \u043b\u043e\u0433\u0438\u043a\u0430. \u041d\u043e \u043e\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u0432\u044b\u0432\u043e\u0434\u0435 \u0434\u043b\u044f \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0441\u043b\u0443\u0447\u0430\u0435\u0432 \u044f \u043d\u0435 \u0431\u0443\u0434\u0443, \u0432\u043c\u0435\u0441\u0442\u043e \u044d\u0442\u043e\u0433\u043e \u043f\u043e\u043a\u0430\u0436\u0443 \u043a\u0430\u043a \u0432\u0441\u0435 \u044d\u0442\u043e \u043a\u043e\u0434\u0438\u0442\u044c.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=False) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=False)   new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=False)  # \u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0443\u043b\u0435\u0439 \u043d\u0430\u0434\u043e \u0434\u043e\u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 # \u041f\u0430\u0434\u0434\u0438\u043d\u0433 \u044d\u0442\u043e \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0443\u043b\u0435\u0439 \u043d\u0430\u0434\u043e \u043d\u0430\u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u044b \u043f\u043e \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u0438 \u0438 \u0433\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u0438 padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3), # \u0423\u0436\u0435 \u0437\u043d\u0430\u043a\u043e\u043c\u044b\u0439 \u043d\u0430\u043c \u0442\u0440\u044e\u043a. \u041c\u043e\u0442\u0438\u0432\u0430\u0446\u0438\u044f \u0442\u0430 \u0436\u0435.                                     conv2.weight.data.flip(-1, -2), # \u0410 \u0432\u043e\u0442 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e \u0447\u0442\u043e\u0431\u044b \u0441\u0432\u0435\u0440\u0442\u043a\u0443 \u043f\u0440\u0435\u0432\u0430\u0440\u0438\u0442\u0438\u0442\u044c \u0432 \u043a\u0440\u043e\u0441\u0441-\u043a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u044e.                                     padding=padding).permute(1, 0, 2, 3)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x)) new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0431\u0438\u0430\u0441\u044b. \u041d\u0430\u0447\u043d\u0435\u043c \u0441 \u043d\u0430\u043b\u0438\u0447\u0438\u044f \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u044f \u0443 \u0432\u0442\u043e\u0440\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u041d\u0430\u043f\u043e\u043c\u043d\u044e, \u0447\u0442\u043e \u0431\u0438\u0430\u0441 \u2014 \u044d\u0442\u043e \u0432\u0435\u043a\u0442\u043e\u0440 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u043c \u0441 \u043a\u043e\u043b-\u0432\u043e \u0432\u044b\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043f\u043e\u0442\u043e\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438. \u041d\u0443 \u0430 \u0437\u043d\u0430\u0447\u0438\u0442, \u043d\u0430\u043c \u043d\u0430\u0434\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u0440\u0438\u0440\u0430\u0432\u043d\u044f\u0442\u044c \u0431\u0438\u0430\u0441 \u043d\u0430\u0448\u0435\u0439 \u043d\u043e\u0432\u043e\u0439 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u043a \u0431\u0438\u0430\u0441\u0443 \u0432\u0442\u043e\u0440\u043e\u0439.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=False) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=True)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x))  new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=True) padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                     conv2.weight.data.flip(-1, -2),                                     padding=padding).permute(1, 0, 2, 3)  new_conv.bias.data = conv2.bias.data # \u0432\u043e\u0442 \u0442\u0443\u0442 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0441\u0442\u044c  new_out = new_conv(x) assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u0421 \u0431\u0438\u0430\u0441\u043e\u043c \u043f\u0435\u0440\u0432\u043e\u0439 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043c\u044b \u043f\u043e\u0439\u0434\u0435\u043c \u0432 \u0434\u0432\u0430 \u044d\u0442\u0430\u043f\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u0437\u0430\u043c\u0435\u0442\u0438\u043c, \u0447\u0442\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0431\u0438\u0430\u0441\u0430 \u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442\u043d\u043e \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044e \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u044b, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438 \u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u0431\u0443\u0434\u0443\u0442 \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u044b \u0438 \u0440\u0430\u0432\u043d\u044b \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u044f. \u0417\u0430\u0442\u0435\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u0438\u043c \u044d\u0442\u0443 \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u0443 \u043a \u0432\u044b\u0445\u043e\u0434\u0443 \u0441\u0432\u0435\u0440\u0442\u043a\u0438.<\/p>\n<pre><code class=\"python\">kernel_size_1 = np.array([3, 3]) kernel_size_2 = np.array([3, 5]) kernel_size_merged = kernel_size_1 + kernel_size_2 - 1  conv1 = torch.nn.Conv2d(2, 3, kernel_size_1, bias=True) conv2 = torch.nn.Conv2d(3, 5, kernel_size_2, bias=False)   x = torch.randn([1, 2, 9, 9]) out = conv2(conv1(x))    new_conv = torch.nn.Conv2d(2, 5, kernel_size_merged, bias=False) padding = [kernel_size_2[0]-1, kernel_size_2[1]-1]  new_conv.weight.data = torch.conv2d(conv1.weight.data.permute(1, 0, 2, 3),                                     conv2.weight.data.flip(-1, -2),                                     padding=padding).permute(1, 0, 2, 3)   new_out = new_conv(x)  add_x = torch.ones(1, 3, 7, 7) * conv1.bias.data[None, :, None, None] # \u0422\u0443\u0442 \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0434\u043e\u043f \u0444\u0438\u0447\u0438\u043c\u0430\u043f\u0430 new_out += conv2(add_x)   assert (torch.abs(out - new_out) &lt; 1e-6).min() <\/code><\/pre>\n<p>\u041d\u043e \u043d\u0430\u043c \u0432\u0435\u0434\u044c \u043d\u0435 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-334388","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/334388","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=334388"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/334388\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=334388"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=334388"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=334388"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}