神经网络卷积操作

一、nn.Conv2d

nn.Conv2d 是 PyTorch 中的一个类，它代表了一个二维卷积层，通常用于处理图像数据。在深度学习和计算机视觉中，卷积层是构建卷积神经网络（CNN）的基本构件，它们能够从图像中提取特征。
二维卷积层 nn.Conv2d 的相关参数：

• in_channels：输入图像的通道数。例如，对于彩色图像，通常 in_channels 为 3，因为彩色图像有 RGB 三个通道。
• out_channels：输出特征图的通道数。这个参数决定了卷积层输出的特征图数量，也就是卷积核的数量。
• kernel_size：卷积核的大小。它是一个元组或整数，指定了卷积核在每个空间维度（高度和宽度）上的尺寸。例如，kernel_size=3
  表示卷积核是 3x3 的。
• stride：卷积的步长。它指定了卷积核在图像上滑动的间隔。默认值为 1，意味着卷积核每次移动一个像素。
• padding：填充。它用于在输入图像的边界周围填充零。这通常用于控制输出特征图的空间尺寸。
• dilation：膨胀。它用于控制卷积核中元素之间的间距，用于增大卷积核的感受野。
• groups：分组卷积的组数。通过设置这个参数，可以使得卷积层的某些部分不与其他部分的输入或输出相连接，这在某些特定的网络架构中很有用。

二、卷积操作原理

假设输入图像是一个5x5的矩阵，而卷积核是一个3x3的矩阵，通过卷积操作得到结果矩阵

• 当卷积步长stride=1，计算方式：

• 把卷积核放在输入图像当中，也就是1x1+2x2+1x1+2x1+1x2=10，将得到的答案放在结果的第一个框框里头。

• 以此类推，进行第二个操作：

• 同样第三个操作：

• 需要注意的是，卷积核不能出格子，也就是不能像下图操作：
  
• 在第一行运行结束后，就往下面进行运算：

以此类推，将卷积核在输入图像中全部运算完成。

三、代码实现卷积操作

import torch
import torch.nn.functional as F
input = torch.tensor([
    [1, 2, 0, 3, 1],
    [0, 1, 2, 3, 1],
    [1, 2, 1, 0, 0],
    [5, 2, 3, 1, 1],
    [2, 1, 0, 1, 1]])

kernel = torch.tensor([
    [1, 2, 1],
    [0, 1, 0],
    [2, 1, 0]])

#通过函数reshape进行格式的转换
input = torch.reshape(input,(1, 1, 5, 5))
kernel = torch.reshape(kernel,(1, 1, 3, 3))
#查看转换后的input和kernel格式
print(input.shape)
print(kernel.shape)

output = F.conv2d(input, kernel, stride=1)
print(output)

注：因为conv2d的输入格式一定要是（x,y,z,t）4个数字形式，故需要使用reshape函数先进行数据的转换，然后再输入给conv2d当中。

运行结果：

可以看到输出的矩阵结果跟我们上面计算的结果是一致的。