卷积操作Conv2d详细解释以及案例

重点:1.图片的通道数,卷积核的通道要一样。

           2.每个卷积核处理图片后,所有通道要相加,得到一个通道

一、单通道图片,单核处理:

卷积核也为单通道:【【1,0,1】

                                    【0,1,1】

                                    【1,0,1】】

卷积操作Conv2d详细解释以及案例_第1张图片

二、多通道图片,单核处理:

卷积操作Conv2d详细解释以及案例_第2张图片

 

三.3通道图片,2核处理,输出为2通道:

卷积操作Conv2d详细解释以及案例_第3张图片

 

下面是用卷积层conv处理一个图片x的案例,卷积层可以理解为函数,本质是类

import torch

x = torch.randn(2,1 ,3,2)  (2张图片,通道数1单色,高3,宽2)

conv = torch.nn.Conv2d(1 ,8 ,(2,3) ) #此处创建一个卷积层。

输入通道数1,和上面x数据保持一致

 输出的通道  8,也就是核的个数,决定了输出数据的通道数,也可以理解为有8个核处理了图片输出8个矩阵。

y=conv(x)  #用卷积处理x返回y

y的shape为(2,8,?,?)  #还是2张,8通道,高,宽

下面是源代码可以测试:


#2d中所有数据一般都是4维度的

import torch

cov = torch.nn.Conv2d(3, 2, (3, 2), stride=1, padding=1, bias=False)

#(输入通道,核数,(高,宽),滑动步长,周围补0的个数)

x=torch.ones((2,3,2,2))  #(图片张数,通道,高,宽)  #输入数据

y=cov(x)

print(y)

print("输出形状:",y.shape)   #(张数,通道,高,宽) 这个通道与cov的核数一致

print("权重形状",cov.weight.shape)

#总结:x 有2张图片,处理后 y还是2张,y的通道是卷积处理的结果,取决于卷积层核的数量

你可能感兴趣的:(pytorch,深度学习,cnn)