torch实现二维卷积

卷积操作（pytorch实现）：

1、了解一下基础函数

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

in_channels：输入维度  （援引：https://www.cnblogs.com/siyuan1998/p/10809646.html）

out_channels：输出维度

kernel_size：卷积核大小

stride：步长大小

padding：补0

dilation：kernel间距

（2）了解四种分布，生成张量（援引：https://blog.csdn.net/wangwangstone/article/details/89815661）

均匀分布

torch.rand(*sizes, out=None) → Tensor

标准正态分布

torch.randn(*sizes, out=None) → Tensor

离散正态分布

torch.normal(means, std, out=None) → → Tensor

线性间距向量

torch.linspace(start, end, steps=100, out=None) → Tensor

（3）张量的理解（援引：https://blog.csdn.net/qq_25948717/article/details/80310020）

（4）feature map大小计算方法（援引：https://blog.csdn.net/qq_28424679/article/details/78665273）

output   ：featuremap计算公式是： 
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1

 

（5）数据类型的查看，以及数据形状查看

数据类型的查看  变量x,x.type()

数据形状查看 张量x，x.shape

2、实操代码：（援引：https://blog.csdn.net/jacke121/article/details/85929638）

import torch
import torch.nn as nn
m = nn.Conv2d(2, 2, 3, stride=2)

''' 定义二维卷积Conv2d,输入通道数in_channels，输出通道数out_channels(间接定义了卷积的个数)，卷积的大小kernel_size（3*3）,
stride=2 卷积移动的步长。
'''

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


input = torch.randn(1, 2, 5, 7)# 输入为 大小（宽为5，高为7）5*7，深度为2（也可理解为通道数）

'''
综上可以推算出  输出的featuremap :2*3,深度为2。
'''
output = m(input)

print("输入图片(2张)：")
print(input)
print("卷积的权重：")
print(m.weight)
print("卷积的偏重：")
print(m.bias)

print("二维卷积后的输出：")
print(output)
print("输出的尺度：")
print(output.size())

convBlockOne = 0
convBlockTwo = 0

convBlockOne1 = 0
convBlockTwo1 = 0
for i in range(3):
    for j in range(3):
        # 第一个卷积核与图片对应相乘
        convBlockOne += m.weight[0][0][i][j] * input[0][0][i][j] \
                        + m.weight[0][1][i][j] * input[0][1][i][j]
                        
        
        # 第二个卷积核与图片对应相乘
        convBlockTwo += m.weight[1][0][i][j] * input[0][0][i][j] \
                            + m.weight[1][1][i][j] * input[0][1][i][j]
                            
                            
#         # 第一个卷积核与图片对应相乘                    
#         convBlockOne1 += m.weight[0][0][i][j] * input[0][0][i][j]+ m.weight[0][1][i][j] * input[0][1][i][j]
#         # 第二个卷积核与图片对应相乘
#         convBlockTwo1 += m.weight[1][0][i][j] * input[0][0][i][j]+ m.weight[1][1][i][j] * input[0][1][i][j]
convBlockOne += m.bias[0]
convBlockTwo += m.bias[1]

# convBlockOne1 += m.bias[0]
# convBlockTwo1 += m.bias[1]

print("第一个卷积核的输出：")
print(convBlockOne)

print("输出的大小",type(convBlockOne),convBlockOne.shape)
print("第二个卷积核的输出：")
print(convBlockTwo)

# print("去掉斜杠后", convBlockOne1)
# print("去掉斜杠后", convBlockTwo1)

其实实操代码的博主 得到的 convBlockOne 、convBlockTwo都是卷积核在 图片上运算后得到的一个数，

 

还有，代码中的斜杠（‘\’）是换行的意思，笔者之前接触python太少了，所以现在才懂！这样写就是一行太长写不下，所以采用换行，这样写python代码是个好习惯。如下图：

文章写得有点赘述，希望笔者能帮到大家！