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

參數(shù)介紹：

• in_channels：卷積層輸入通道數(shù)

• out_channels：卷積層輸出通道數(shù)

• kernel_size：卷積層的卷積核大小

• padding：填充長度

• stride：卷積核移動的步長

• dilation：是否采用空洞卷積

• groups：是否采用分組卷積

• bias：是否添加偏置參數(shù)

• padding_mode：padding的模式

如果輸入大小為：數(shù)量N即批處理大?。╞atch size），輸入通道數(shù)C_in，輸入高度H_in，輸入寬度C_in。輸出大小為：數(shù)量N，輸出通道數(shù)C_out，輸出高度H_out，輸出寬度C_out。
$$\begin{gathered} input:(N,C_{in},H_{in},W_{in}) \\ output:(N,C_{out},H_{out},W_{out}) \end{gathered}$$
之間的轉(zhuǎn)換為：
$$(N_i,C_{out})=bias(C_{out})+\sum _{k=0}^{C_{in}?1}weight(C_{out},k)?(Ni,k)$$

$$H_{out}=[\frac{H_{in}+2?padding[0]?dilation[0]?(kerna{l}_{s}ize[0]?1)?1}{stride[0]}+1]$$

$$W_{out}=[\frac{W_{in}+2?padding[1]?dilation[1]?(kerne{l}_{s}ize[1]?1)?1}{stride[1]}+1]$$

對于二維簡化的：

那么輸出的寬、高為：
$$\begin{gathered} W_{out}=\frac{W_{in}?F_W+2P}{S}+1 \\ {H}_{out}=\frac{H_{in}?F_H+2P}{S}+1 \end{gathered}$$
在pytorch中的使用

• 直接使用（不常見）

import torch 
import torch.nn as nn 
# https://www.bilibili.com/video/BV1644y1h7LN/?spm_id_from=333.337.search-card.all.click&vd_source=13dfbe5ed2deada83969fafa995ccff6

# 輸入通道數(shù)
in_channels = 1
# 輸出通道數(shù) 
out_channels = 1
# 批處理大小 
batch_size = 1
# 卷積核大小 (3,3)
kernel_size = 3
# 輸入規(guī)格
input_size = [batch_size, in_channels, 4, 4]

# nn.Conv2d使用，其他默認(rèn)值
conv_layer = torch.nn.Conv2d(in_channels, out_channels, kernel_size)
# 隨機(jī)輸入特征圖
input_feature_map = torch.randn(input_size)
# 打印輸入特征圖形狀
print(input_feature_map.shape)
# 求出輸出特征圖
output_feature_map = conv_layer(input_feature_map)
# 打印出卷積核的規(guī)格
print(conv_layer.weight.shape)
# weight == out_channel * in_channel * height * weight
# 打印輸出特征圖大小
print(output_feature_map.shape)

輸出：

torch.Size([1, 1, 4, 4])
torch.Size([1, 1, 3, 3])
torch.Size([1, 1, 2, 2])

• 封裝為類的形式

import torch 
from torch import nn

# 定義一個同樣操作的卷積類
class Foo(nn.Module):
    def __init__(self, in_channel, out_channel):
        super(Foo,self).__init__()
        self.layer = nn.Sequential(
            nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=3)
        )
    def forward(self, x):
        return self.layer(x)

# 實(shí)例化一個
conv2 = Foo(1,1)
# 輸出特征圖， input_feature_map_2 和 input_feature_map是相同的值
output_feature_map_2 = conv2(input_feature_map_2)
print(output_feature_map_2)

輸出：

tensor([[[[ 0.5144,  0.0672],
          [ 0.2169, -0.0591]]]], grad_fn=<ConvolutionBackward0>)

可以觀察到，這兩個操作相同但是結(jié)果值卻不相同。這是因?yàn)?strong>雖然兩者實(shí)現(xiàn)了相同的卷積操作，但由于它們的初始化和權(quán)重值的不同，因此輸出結(jié)果可能不完全一致。 另外，對于卷積操作的結(jié)果，輸出的張量形狀可能會有所不同，但數(shù)值內(nèi)容應(yīng)該是相似的。如果希望確保兩種方式得到的輸出結(jié)果完全一致，可以嘗試使用相同的初始化參數(shù)，并確保權(quán)重值相同。文章來源地址http://www.zghlxwxcb.cn/news/detail-678093.html

到了這里，關(guān)于pytorch中 nn.Conv2d的簡單用法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！