1、填充
第7层就已经4*4了 。如果想32*32的图像做更深的卷积,办法之一:就可以通过填充来解决
2、步幅
最好是设置步幅为1 .但是这样的话,计算量会比较大,不会快速的将目标矩阵数据降到想要的大小。
但是输入很大,又不想用那么多层的时候,可以适当使用步幅。
3、代码![](https://i-blog.csdnimg.cn/blog_migrate/3eca5448608a5531b1fbb61a32c1d533.png)
import torch
from torch import nn
# 为了方便起见,我们定义了一个计算卷积层的函数。
# 此函数初始化卷积层权重,并对输入和输出提高和缩减相应的维数
def comp_conv2d(conv2d, X):
# 这里的(1,1)表示批量大小和通道数都是1
X = X.reshape((1, 1) + X.shape)
Y = conv2d(X)
# 省略前两个维度:批量大小和通道
return Y.reshape(Y.shape[2:])
# 请注意,这里每边都填充了1行或1列,因此总共添加了2行或2列
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
print(comp_conv2d(conv2d, X).shape) #torch.Size([8, 8])
# 填充不同的高度和宽度---输出大小还是不变(要适当的设置padding)
conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1))
print(comp_conv2d(conv2d, X).shape) #torch.Size([8, 8])
# 将高度和宽度的步幅设置为2
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
print(comp_conv2d(conv2d, X).shape) #torch.Size([4, 4])
# 一个稍微复杂的例子
conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4))
print(comp_conv2d(conv2d, X).shape) #torch.Size([2, 2])