Pytorch学习(二)Conv2d卷积

函数功能为在由多个输入平面组成的输入信号上应用二维卷积。
https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d

函数原型

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

参数说明

in_channels ：int类型，输入图像通道数
out_channels ：int类型 ，卷积产生的通道数
kernel_size： int or tuple类型，卷积核尺寸，可以设为1个int型数或者一个(int, int)型的元组。例如(2,3)是高2宽3卷积核
stride：int or tuple类型，卷积步长，默认为1。可以设为1个int型数或者一个(int, int)型的元组。
padding：int or tuple类型，填充操作，控制padding_mode的数目。
padding_mode ：string,类型‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’ padding模式，默认为Zero-padding 。
dilation：int or tuple类型 ，扩张操作：控制kernel点（卷积核点）的间距，默认值:1。
groups，int类型，group参数的作用是控制分组卷积，默认不分组，为1组。
bias ：bool类型 ：为真，则在输出中添加一个可学习的偏差。默认：True。

代码测试

import torch

x = torch.randn(2, 1, 5, 5)
print(x)

conv = torch.nn.Conv2d(1,3,(2,2))
res = conv(x)

print(res.shape)
print(res)

输入：x[ batch_size, channels, height_1, width_1 ]
batch_size，一个batch中样本的个数 2
channels，通道数，也就是当前层的深度 1
height_1， 图片的高 5
width_1， 图片的宽 5

卷积操作：Conv2d[ channels, output, height_2, width_2 ]
channels，通道数，和上面保持一致，也就是当前层的深度 1
output ，输出的深度 3【需要3个filter】
height_2，卷积核的高 2
width_2，卷积核的宽 2

输出：res[ batch_size,output, height_3, width_3 ]
batch_size,，一个batch中样例的个数，同上 2
output， 输出的深度 3
height_3， 卷积结果的高度 4
width_3，卷积结果的宽度 4

打印输出：