pytorch中的torch.nn.Conv2d()函数图文详解

目www.cppcns.com录

• 一、官方文档介绍
• 二、torch.nn.Conv2d()函数详解
• 参数dilation——扩张卷积（也叫空洞卷积）
• 参数groups——分组卷积
• 总结 

一、官方文档介绍

官网

nn.Conv2d：对由多个输入平面组成的输入信号进行二维卷积

二、torch.nn.Conv2d()函数详解

参数详解

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

参数dilation——扩张卷积（也叫空洞卷积）

dilation操作动图演示如下：

Dilated Convolution with a 3 x 3 kernel and dilation rate 2

扩张卷积核为3×3，扩张率为2

参数groups——分组卷积

Group Convolution顾名思义，则是对输入feature map进行分组，然后每组分别卷积。

三、代码实例

import torch

x = torch.randn(3,1,5,4)
print(x)

conv = torch.nn.Conv2d(1,4,(2,3))
res = conv(x)

print(res.shape)    # torch.Size([3, 4, 4, 2])

输入：x[ batch_size, channels, height_1, width_1 ]

• batch_size，一个batch中样本的个数 3
• 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 4

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 4【需要4个filter】
• height_2，卷积核的高 2
• width_2，卷积核的宽 3

输出：res[ batch_size,output, height_3, width_3 ]

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

一个样本卷积示例：

总结 

到此这篇关于pytorch中torch.nn.Conv2d()函数的文章就介绍到这了,更多相关pytorch torch.nn.Conv2d()函数内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！