深度学习（八）——神经网络：卷积层

最新推荐文章于 2024-09-26 11:01:02 发布

代码很孬写

最新推荐文章于 2024-09-26 11:01:02 发布

阅读量1k

点赞数 11

文章标签：深度学习神经网络人工智能 ai 机器学习

本文链接：https://blog.csdn.net/2401_85325519/article/details/139706056

版权

一、卷积层Convolution Layers函数简介

官网网址：torch.nn.functional — PyTorch 2.0 documentation

由于是图像处理，所以主要介绍Conv2d。

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

参数解释可见上一篇笔记
in_channels(int): 输入图像的通道数，彩色图像一般为3（RGB三通道）
out_channel(int): 通过卷积后，产生的输出的通道数
kernel_size(int or tuple): 一个数或者元组，定义卷积大小。如_kernel_size=3_，即定义了一个大小为_3×3_的卷积核；kernel_size=(1,2)，即定义了一个大小为_1×2_的卷积核。
stride(int or tuple，可选): 默认为1，卷积核横向、纵向的步幅大小
padding(int or tuple，可选): 默认为0，对图像边缘进行填充的范围
padding_mode(string，可选): 默认为zeros，对图像周围进行padding时，采取什么样的填充方式。可选参数有：'zeros', 'reflect', 'replicate' or 'circular'。
dilation(int or tuple，可选): 默认为1，定义在卷积过程中，它的核之间的距离。这个我们称之为空洞卷积，但不常用。
groups(int or tuple，可选): 默认为1。分组卷积，一般都设置为1，很少有改动
bias(bool，可选): 默认为True。偏置，常年设置为True。代表卷积后的结果是否加减一个常数。