pytorch学习（十五）二维卷积和转置卷积

卷积爆喊了stride步长，padding是否加边，groups是否完全计算，kernel_size卷积核的大小，等尺寸，不同的尺寸组合，可以让图像在卷积后保持原来的形状，也可以让图像的通道数增加。

话有一个是转置卷积，当kernel_size核stride设置为一致的时候，可以扩大倍数的升采样。

具体参数的意义可以跟着代码来看，其中conv2d在本博客中分析的相对详细，转置卷积的padding没有测试。

具体的代码如下：

import torch
x = torch.randn(3,1,5,4)
print(x)

#卷积核的尺寸是多大呢？1通道变成了4通道，那么卷积核就是[1,2,3]就是1通道2行3列，但是有4个卷积核,，那么就是（4，1，2，3）的尺寸
#如果输入的是彩色图像呢，通道是3，输入4通道，着要怎么卷积呢？ 哈哈，那就是卷积核变成了（3，2，3），并且有4个，那么就是（4，3，2，3）的尺寸
#用print(conv.weight.data.size())来证明

#1 尺寸分析
#卷积核尺寸是(2,3)也就是两行三列，去卷（5，4）5行4列，得到就是4行2列
#输入通道Conv2d(1， 是1对应的是（3，1，5，4）的通道1，也就是数据按照BCHW（batch，channels，height，width）排列的时候的channels值
#也就是说输入的是黑白的图像，而不是彩色的图像
#Conv2d(1,4,(2,3))中的4表示输出通道是4，表示的是输出的channels=4，所以卷积核卷一个(1,5,4)会得到一个（4，4，2）
#B= 3，所以最后得到的尺寸就是（3，4，4，2）
conv = torch.nn.Conv2d(1,4,(2,3))
res = conv(x)
print(res)
print(res.shape)
print(conv.weight.data.size())   #torch.Size([4, 1, 2, 3])

#2.加入padding的尺寸分析
#第一个案例中的5行4列变成了4行2列，就是因为padding没有的结果，如果padding在列方向上是1，则列保持原尺寸
conv = torch.nn.Conv2d(1,4,kernel_size = (2,3),padding=(0,1))
padding_res = conv(x)
print(padding_res)
print(padding_res.shape)

#3.加入stride的尺寸分析
#第一个案例中的5行4列变成了4行2列，stride=2的时候，则列方向只能走一步，走第二步就超界了因此列为1，行可以走2步
#因此形成的单通道尺寸就是【2，1】，加上4个通道就是[4,2,1],加上B就是【3，4，2，1】
conv = torch.nn.Conv2d(1,4,kernel_size = (2,3),stride=2)
stride_res = conv(x)
print(stride_res)
print(stride_res.shape)


#4.dilation空洞卷积，可以增加感受野, 在行方向上dilation是2则表示卷积核变成了（3，3），应用于（5，4）上，则变成了（3，2）
conv = torch.nn.Conv2d(1,4,kernel_size = (2,3),stride=1,dilation=(2,1))
dilation_res = conv(x)
print(dilation_res)
print(dilation_res.shape)


#bias 为1行4列 ,可以看到只是卷积之后加的一个数值
print(conv.bias.data)  #tensor([-1.7308e-01, -1.6001e-04, -2.6300e-01,  2.8908e-01])

#groups为控制卷积的形状,当groups=2的时候，其中一个6/2 = 3有一个卷积核来卷它，因此卷积核减倍,就是weights就是[4,3,2,3]
x = torch.randn(3,6,5,4)
conv = torch.nn.Conv2d(6,4,kernel_size = (2,3),stride=1,dilation=(2,1),groups=2)
dilation_res = conv(x)
print(dilation_res.shape)
print(conv.weight.data.size())

#转置卷积，上采样的时候会用到 kernel_size=2,stride=2刚好图像扩大一倍,
#详细的看参考 https://blog.csdn.net/m0_49963403/article/details/138535839
x = torch.randn(3,6,5,4)
conv = torch.nn.ConvTranspose2d(6,6,kernel_size=2,stride=2)
x_ConvTranspose2d = conv(x)
print("x_ConvTranspose2d:\n",x_ConvTranspose2d.shape)
print(conv.weight.data.size())