PyTorch深度学习入门笔记（九）卷积操作

课程学习笔记，课程链接
学习笔记同步发布在我的个人网站上，欢迎来访查看。

Pytorch的 nn模块有 Convolution Layers,有3种卷积操作，nn.Conv1d、nn.Conv2d、nn.Conv3d分别对应一维二维以及三维：

注：在Pytorch 官网文档左侧，有 torch.nn和 torch.nn.fuctional，torch.nn 是对 torch.nn.fuctional进行了一个封装，方便用户使用。想细致的了解一些nn模块中的函数可以从 torch.nn.fuctional 入手。
这里主要介绍 nn.Conv2d:
打开 torch.nn.fuctional 对应页面，可以看到对 conv2d 函数的介绍：

conv2d 需要的参数有 输入 input、权重 weight（更专业的名称是卷积核）、偏置 bias、步长 stride等。
举例：

左侧是输入图像，中间是卷积核，步长为1时，输出为最右侧的3*3的结果。
以此来编写程序：

import torch
import torch.nn.functional as F
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]])

kernel = torch.tensor([[1,2,1],
                      [0,1,0],
                      [2,1,0]])

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

output = F.conv2d(input, kernel, stride=1)
print(output)

输出;

与之前我们计算的结果一致。
这里需要注意是nn.fuctional.conv2d函数的对参数的shape有要求，shape中有四个参数，分别为 Size，Channel，Height，Width。可以用 torch.reshape 函数来进行 shape的设置。

padding是填充的意思，即在输入的四周进行填充，默认是0，不进行填充。
还是用上面的代码，不过将padding设置为1：

output = F.conv2d(input, kernel, stride=1, padding=1)

结果：

设置为2时，结果为：