pytorch框架学习第六次作业——nn网络层

1. 深入理解二维卷积，采用手算的方式实现以下卷积操作，然后用代码验证。

1）采用2个尺寸为33的卷积核对3通道的55图像进行卷积，padding=0， stride=1，dilation=0
其中 input shape = （3， 5， 5），数据如下
kernel size = 3*3， 第一个卷积核所有权值均为1， 第二个卷积核所有权值均为2，
计算输出的feature map尺寸以及所有像素值

flag = 1
# flag = 0
if flag:
    tensor1 = torch.ones(1, 1, 5, 5)
    tensor2 = tensor1 * 2
    tensor3 = tensor1 * 3
    input_tensor = torch.cat([tensor1, tensor2, tensor3], dim=1)
    kernel1 = [[1., 1., 1.],
              [1., 1., 1.],
              [1., 1., 1.]]
    kernel1 = torch.FloatTensor(kernel1).unsqueeze(0).unsqueeze(0)
    kernel1 = torch.cat([kernel1, kernel1, kernel1], dim=1)
    kernel2 = kernel1 * 2
    kernel = torch.cat([kernel1, kernel2], dim=0)
    
    out_conv = nn.functional.conv2d(input_tensor, kernel, padding=1)
    print(out_conv.shape)
    print(out_conv)

2）接1）题，上下左右四条边均采用padding，padding=1，填充值为0，计算输出的feature map尺寸以及所有像素值

2. 对lena图进行3333d卷积，提示：padding=（1， 0， 0）

# ================ 3d
# flag = 1
flag = 0
if flag:
    conv_layer = nn.Conv3d(3, 1, 3, padding=(1, 0, 0))
    nn.init.xavier_normal_(conv_layer.weight.data)

    # calculation
    img_tensor.unsqueeze_(dim=2)    # B*C*H*W to B*C*D*H*W
    img_conv = conv_layer(img_tensor)