pytorch深度学习——卷积操作以及代码示例

torch.nn.functional.conv2d

在官方文档可以查看参数
其中 input表示输入的图像，weight表示卷积核，图像和卷积核都有固定的shape，所以在卷积之前要用reshape()将两个矩阵的shape转换为固定的格式，stride表示每次移动的步数，padding是对原来输入图像的填充，默认为0，如果为1，将原来矩阵填充一圈

代码示例：

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]])

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

print("padding = 0：")
output = F.conv2d(input, kernel, stride=1)
print(output)

print("padding = 1：")
output1 = F.conv2d(input, kernel, stride=1, padding=1)
print(output1)

输出：