这篇文章主要给大家介绍了关于pytorch中torch.nn.Conv2d()函数的相关资料,文中通过实例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
一、官方文档介绍
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 | 参数类型 | ||
|---|---|---|---|
| in_channels | int | Number of channels in the input image | 输入图像通道数 |
| out_channels | int | Number of channels produced by the convolution | 卷积产生的通道数 |
| kernel_size | (int or tuple) | Size of the convolving kernel | 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, optional) | Stride of the convolution. Default: 1 | 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, optional) | Zero-padding added to both sides of the input. Default: 0 | 填充操作，控制padding_mode的数目。 |
| padding_mode | (string, optional) | ‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’ | padding模式，默认为Zero-padding 。 |
| dilation | (int or tuple, optional) | Spacing between kernel elements. Default: 1 | 扩张操作：控制kernel点（卷积核点）的间距，默认值:1。 |
| groups | (int, optional) | Number of blocked connections from input channels to output channels. Default: 1 | group参数的作用是控制分组卷积，默认不分组，为1组。 |
| bias | (bool, optional) | If True, adds a learnable bias to the output. Default: True | 为真，则在输出中添加一个可学习的偏差。默认：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0133技术站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0133技术站！
以上就是pytorch中的torch.nn.Conv2d()函数图文详解的详细内容，更多请关注0133技术站其它相关文章！
