pytorch的nn.Conv2d()参数及尺寸计算详解（与Tensorflow.nn.Conv2d相比）

参数详解

in_channels,
#输入数据的通道数（如彩色图片，一般为3）
out_channels,
#输出数据的通道数（就是我想让输出多少通道，就设置为多少）
kernel_size,
#卷积核的尺寸（如（3，2），3与（3,3）等同）
stride = 1,
#卷积步长，就是卷积操作时每次移动的格子数
padding = 0,
#原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘
dilation = 1,
#空洞卷积的空洞指数，一般默认为1即可
groups = 1,
#分组卷积的组数，一般默认设置为1，不用管
bias = True,
#卷积偏置，一般设置为False，True的话可以增加模型的泛化能力
padding_mode = 'zeros’
#设置边缘填充值为0，或别的数，一般都默认设置为0

torch.nn.Conv2d(    in_channels,  #输入数据的通道数（如彩色图片，一般为3）
					out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少）
					kernel_size,  #卷积核的尺寸（如（3，2），3与（3,3）等同）
					stride = 1,   #卷积步长，就是卷积操作时每次移动的格子数
					padding = 0,  #原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘
					dilation = 1, #空洞卷积的空洞指数，一般默认为1即可
					groups = 1,   #分组卷积的组数，一般默认设置为1，不用管
					bias = True,  #卷积偏置，一般设置为False，True的话可以增加模型的泛化能力
					padding_mode = 'zeros'  #设置边缘填充值为0，或别的数，一般都默认设置为0
				)

特征图尺寸计算

与TensorFlow不同的是，TensorFlow的Conv2d函数的padding超参只有“same”和“valid”两个选项，选same时，不管kernel_size如何设置，输出尺寸均为 out_size = in_size / stride，这对新手很友好，用的时候直接same就行，尺寸无脑计算。选“valid”时，公式与pytorch一样。

而torch.nn.Conv2d()不同，其padding超参可以为0，1，2，计算较为麻烦，原始计算公式我就不放了（因为一般dilation =1），简化公式如下：

out_size = （in_size - K + 2P）/ S +1

其中，K为kernel_size的设置值，P为padding的设置值，S为stride的设置值