pytorch初学笔记（八）：神经网络之卷积操作
目录
一、卷积操作
二、二维卷积操作
2.1 torch.nn.functional
2.2 conv2d方法介绍
2.2.1 使用该方法需要引入的参数
2.2.2 常用参数
2.2.3 关于对input和weight的shape详解
三、代码实战
3.1 练习要求
3.2 tensor的reshape操作
3.3 不同stride的对比
3.4 不同padding的对比
3.5 完整代码
一、卷积操作
torch.nn — PyTorch 1.13 documentation
二、二维卷积操作
2.1 torch.nn.functional
代码中引入torch.nn.functional，起别名为F
import torch.nn.functional as F
2.2 conv2d方法介绍
什么是二维卷积？
二维卷积
nn.Conv2d用于图像数据，对宽度和高度都进行卷积。
2.2.1 使用该方法需要引入的参数
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0,
dilation=1, groups=1) → Tensor
2.2.2 常用参数
- input：输入矩阵，为tensor型，
- weight：卷积核 ，为tensor型
- stride：步长，默认为1
- padding：填充大小，默认为0
2.2.3 关于对input和weight的shape详解
方法中对input和weight要求的shape都需要是4维的。
1. input的shape要求： 
- minibatch：batch中的样例个数
- in_channels：每个样例数据的通道数
- iH：每个样例的高（行数）
- iW：每个样例的宽（列数）
2. weight的shape要求：
- out_channels：卷积核的个数
- in_channels/groups：每个卷积核的通道数
- kH：每个卷积核的高（行数）
- kW：每个卷积核的宽（列数）
(29条消息) 如何理解卷积神经网络中的通道（channel）_Medlen的博客-CSDN博客_卷积神经网络通道数
正常定义的tensor型shape均为二维，即只有长和宽，
因此需要使用reshape方法进行尺寸重定义。
三、代码实战
3.1 练习要求
代码将完成以下操作：
- 输入如下图所示的5*5矩阵
- 卷积核为下图所示的3*3矩阵
- 设置步长stride为1，使用conv2d方法进行卷积操作
- 输出结果
3.2 tensor的reshape操作
输入的input大小为5*5，输入的kernel大小为3*3，均不符合conv2d方法中要求的shape大小，因此使用reshape方法进行tensor的尺寸重定义操作。
torch.reshape方法输入的第一个参数为需要改变大小的tensor，第二个参数为需要改变的大小，使用括号括起来的4个数字，前两个数字均为1，后两个数字为tensor的长和宽。
import torch
import torch.nn.functional as F
# 输入
input = torch.tensor([[1,2,0,3,1],
[0,1,2,3,1],
[1,2,1,0,0],
[5,2,3,1,1],
[2,1,0,1,1]])
# 卷积核
kernel = torch.tensor([[1,2,1],
[0,1,0],
[2,1,0]])
print(input.shape)
print(kernel.shape)
# 重新定义尺寸，把尺寸改成四个数，1个batchsize，1个通道，长和宽和之前一样
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print(kernel.shape)输出：
可见两个tensor的大小都已经成功被改变，可以输入conv2d中进行下一步操作。
output = F.conv2d(input,kernel)
print(output)输出：
可见已成功进行卷积操作。
3.3 不同stride的对比
步长（stride）：
卷积核是在图片上移动后遍历每一个像素，每次移动的大小就是步长stride
#stride=1或2时的输出
output1 = F.conv2d(input,kernel,stride=1)
print(output1)
output2 = F.conv2d(input,kernel,stride=2)
print(output2)输出：
可以看到stride=1时输出的tensor大小为3*3，stride=2时为2*2。
3.4 不同padding的对比
padding（填充）：
习惯上，我们可以使用0来对图像进行填充。规定p( padding )代表填充的层数。
是为了满足输出的图像的维度要求，最终图像的输出宽度会=原来输出宽度+2padding，因为是周围填充
# padding=1或2时的
output3 = F.conv2d(input,kernel,stride=1,padding=1)
print(output3)
output4 = F.conv2d(input,kernel,stride=1,padding=2)
print(output4)输出：
可以看到不同的padding输出的tensor大小不同。
3.5 完整代码
import torch
#引入F
import torch.nn.functional as F
# 输入
input = torch.tensor([[1,2,0,3,1],
[0,1,2,3,1],
[1,2,1,0,0],
[5,2,3,1,1],
[2,1,0,1,1]])
# 卷积核
kernel = torch.tensor([[1,2,1],
[0,1,0],
[2,1,0]])
print(input.shape)
print(kernel.shape)
# 重新定义尺寸，把尺寸改成四个数，1个batchsize，1个通道，长和宽和之前一样
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print(kernel.shape)
#stride=1或2时的输出
output1 = F.conv2d(input,kernel,stride=1)
print(output1)
output2 = F.conv2d(input,kernel,stride=2)
print(output2)
# padding=1或2时的
output3 = F.conv2d(input,kernel,stride=1,padding=1)
print(output3)
output4 = F.conv2d(input,kernel,stride=1,padding=2)
print(output4)