pytorch中的torch.nn.Conv2d()函数怎么用

这篇文章主要为大家展示了“PyTorch中的torch.nn.Conv2d()函数怎么用”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“pytorch中的torch.nn.Conv2d()函数怎么用”这篇文章吧。

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 torchx = 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：

以上是“pytorch中的torch.nn.Conv2d()函数怎么用”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网精选频道！