MindSpore算子笔记-nn.conv2d
背景
nn.conv2d是卷积神经网络中最重要的成员，由Lecun等AI大神在1998年的论文中首次提出，其基本原理是对一个传入格式为(N,Cin,Hin,Win)的四维张量根据设定长宽的卷积核在Hin和Win维进行2d卷积运算，求解出卷积结果后，移动设定的步长再次执行卷积，依次计算得到所有位置的结果。具体实现可参考论文：http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf
nn.Conv2d参数介绍
in_channels（int）—输入通道Cin的数量。
out_channels（int）—输出通道Cout的数量。
kernel_size（Union[int，tuple[int]]）—数据类型为int或tuple，需为整数。指定二维卷积窗口的高度和宽度。单个int表示卷积核的高度和宽度的值如果是一个包含2个整数的元组，意味着第一个值代表卷积核的高度，另一个表示卷积核的宽度。
stride（Union[int，tuple[int]]）—卷积核移动的距离，单个int表示移动的高度和宽度都是int，两个int数组成的元组分别表示移动的高度和宽度。默认值：1。
pad_mode (str) —指定填充模式。可选值为“same”、“valid”、“pad”。默认值：“same”。
– same：采用补全方式。输出的高度和宽度将与输入的高度和宽度相同。将计算水平和垂直方向的填充总数，并在可能的情况下均匀分布到顶部和底部，左侧和右侧。否则，最后的额外填充将从底部和右侧开始。如果设置了此模式，则填充必须为0。
– valid：采用丢弃方式。输出的可能最大的高度和宽度将返回而无需填充。多余的像素将被丢弃。如果设置了此模式，则填充必须为0。
– pad：输入两侧的隐式填充。填充数量将填充到输入张量边界。填充值应大于或等于0。
padding（int）–输入两侧的隐式填充，当模式为pad时生效。默认值：0
dilation（Union [int，tuple [int]]）–数据类型为int或具有2个整数的元组。指定用于膨胀卷积的膨胀率。如果设置为k> 1，则每个采样位置将跳过k-1个像素。其值应大于或等于1，并以输入的高度和宽度为边界。默认值：1。
group（int）–将过滤器分为几组，in_channels和out_channels应该被组数整除。默认值：1。
has_bias（bool）–指定图层是否使用偏差矢量。默认值：False。
weight_init（Union [Tensor，str，Initializer，numbers.Number]）–卷积内核的初始化方法。它可以是张量，字符串，初始化器或数字。指定字符串后，可以使用“ TruncatedNormal”，“ Normal”，“ Uniform”，“ HeUniform”和“ XavierUniform”分布以及常量“ One”和“ Zero”分布的值。可以接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。大写和小写均可。有关更多详细信息，请参考Initializer的值。默认值：“正常”。
bias_init（Union [Tensor，str，Initializer，numbers.Number]）–偏置向量的初始化方法。可能的初始化方法和字符串与“ weight_init”相同。有关更多详细信息，请参考Initializer的值。默认值：“零”。
输入：
输入（张量）-形状（N，Cin，Hin，Win）的张量。
输出：
形状的张量（N，Cout，Hout，Wout）。
nn.Conv2d调用方式
import numpy as np
import mindspore.nn as nn
from mindspore import context, Tensor
#pynative模式
context.set_context(mode=context.PYNATIVE_MODE, device_target="CPU")
conv = nn.Conv2d(3, 4, 3, bias_init='zeros')
input_data = Tensor(np.ones([1, 3, 5, 5]).astype(np.float32))
output = conv(input_data)
print(output.asnumpy())
#图模式
context.set_context(mode=context.GRAPH_MODE, device_target="CPU")
class Net(nn.Cell):
def __init__(self):
super(Net, self).__init__()
self.conv = nn.Conv2d(3, 4, 3, bias_init='zeros')
def construct(self, x):
out = self.conv(X)
return out
input_data = Tensor(np.ones([1, 3, 5, 5]).astype(np.float32))
net = Net()
output = net(input_data)
print(output.asnumpy())