torch.nn.Conv2d详解

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

in_channels —— 输入的channels数

out_channels —— 输出的channels数

kernel_size ——卷积核的尺寸，可以是方形卷积核、也可以不是，下边example可以看到

stride —— 步长，用来控制卷积核移动间隔

padding ——输入边沿扩边操作

padding_mode ——扩边的方式

bias ——是否使用偏置(即out = wx+b中的b)

dilation —— 这个参数简单说，设定了取数之间的间隔

groups —— 进行分组卷积的组数

以下是官方给出了几个例子，可以供大家参考：

1）方形卷积核、行列相同步长（With square kernels and equal stride）

m = nn.Conv2d(16, 33, 3, stride=2)

即输入的channels数为16，输出的channels数为33，卷积核大小为3*3，步长为2；

2）非方形卷积核、行列采用不同步长，并进行扩边

m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))

即输入的channels数为16，输出的channels数为33，卷积核大小为3*5，步长行、列方向分别为2、1，0扩充4行2列的边界；

3）非方形卷积核、行列采用不同步长、数据采用稀疏，并进行扩边

m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))

即输入的channels数为16，输出的channels数为33，卷积核大小为3*5，步长行、列方向分别为2、1，0扩充4行2列的边界，取数据行间隔3列间隔1；