卷积操作torch.nn中的conv2d的使用

一、官方文档

torch.nnhttps://pytorch.org/docs/stable/nn.html#convolution-layers

nn.Conv2d用的比较多

二、手动计算卷积操作

三、编写代码

 导入相关包

import torch
import torch.nn.functional as F

初始化输入图像 input

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]])

初始化卷积核 kernel

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

打印input和kernel的shape

print(input.shape)
print(kernel.shape)

输出结果如下

torch.Size([5, 5])
torch.Size([3, 3])

但是官网给的说明，要求input size和output size如下（C是通道数） 

所以接下来要修改input和kernel的size

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

再次打印二者的size，符合要求：

torch.Size([1, 1, 5, 5])
torch.Size([1, 1, 3, 3])

最后，使用conv2d进行卷积操作

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

完整代码如下：

# -*- coding: utf-8 -*-
# @Time: 2022/6/29 0029 11:05
# @Author: Wang
# @File: demo7_nn_conv.py

import torch
import torch.nn.functional as F

# 初始化输入图像
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]])
# 初始化卷积核
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

# 修改input 和 kernel的shape格式
input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))
# 打印出shape
print(input.shape)
print(kernel.shape)

# 进行卷积操作
output = F.conv2d(input, kernel, stride=1)

# 输出卷积操作结果
print(output)

卷积操作结果如下： 

tensor([[[[10, 12, 12],
          [18, 16, 16],
          [13,  9,  3]]]])

发现，通过代码进行卷积操作的结果，和我们手动计算的结果是一致的。