pytorch中的torch.nn.Conv2d()函數(shù)怎么用

這篇文章主要為大家展示了“pytorch中的torch.nn.Conv2d()函數(shù)怎么用”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學習一下“pytorch中的torch.nn.Conv2d()函數(shù)怎么用”這篇文章吧。

一、官方文檔介紹

官網(wǎng)

nn.Conv2d：對由多個輸入平面組成的輸入信號進行二維卷積

二、torch.nn.Conv2d()函數(shù)詳解

參數(shù)詳解

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

參數(shù)dilation——擴張卷積（也叫空洞卷積）

dilation操作動圖演示如下：

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

擴張卷積核為3×3，擴張率為2

參數(shù)groups——分組卷積

Group Convolution顧名思義，則是對輸入feature map進行分組，然后每組分別卷積。

三、代碼實例

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])

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

• batch_size，一個batch中樣本的個數(shù) 3

• channels，通道數(shù)，也就是當前層的深度 1

• height_1， 圖片的高 5

• width_1， 圖片的寬 4

卷積操作：Conv2d[ channels, output, height_2, width_2 ]

• channels，通道數(shù)，和上面保持一致，也就是當前層的深度 1

• output ，輸出的深度 4【需要4個filter】

• height_2，卷積核的高 2

• width_2，卷積核的寬 3

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

• batch_size,，一個batch中樣例的個數(shù)，同上 3

• output， 輸出的深度 4

• height_3， 卷積結(jié)果的高度 4

• width_3，卷積結(jié)果的寬度 2

一個樣本卷積示例：

以上是“pytorch中的torch.nn.Conv2d()函數(shù)怎么用”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！