conv2d原理、计算过程、pytorch使用

最新推荐文章于 2024-05-24 09:40:40 发布
最新推荐文章于 2024-05-24 09:40:40 发布
阅读量1.8w 收藏 109
点赞数 49
分类专栏： ML and DL 文章标签： conv2d pytorch 卷积
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37774098/article/details/111997250
版权

文章目录

【学习于刘二大大视频：https://www.bilibili.com/video/BV1Y7411d7Ys?p=10】

conv2d

卷积过程

向两个维度进行卷积

单通道

在这里插入图片描述

三（多）通道

在这里插入图片描述

一个通道需要一个kernel

在这里插入图片描述
在这里插入图片描述

画图：
在这里插入图片描述

多个输出通道（即改变输出通道）

在这里插入图片描述

卷积核的数量==输出通道的通道数

每个卷积核的数量==输入通道的通道数

对应代码
self.conv1 = nn.Conv2d(in_channels=in_channel,#输入通道数，即输入数据的通道数
                       out_channels=10,#输出通道数，即输出数据的通道数
                       kernel_size=kernel_size,#卷积核大小，一般是int，也可tuple，如3【表示3x3】；（5，4）【表示5x4】
                       stride=1,#卷积移动的步长
                       padding=padding)# 是否用0填充数据四周
print(self.conv1.weight.shape)

# 以此可以确定设置的卷积的shape:[out_channels,in_channels,kernel_size,kernel_size]
hellopbc
关注
  • 49
    点赞
  • 踩
  • 109
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
Pytorch.nn.conv2d 过程验证方式(单,多通道卷积过程)
09-18
在PyTorch中，`nn.Conv2d`是用于实现二维卷积操作的模块，它在深度学习领域常被用于图像处理。卷积层能够从输入图像中学习特征，通过一组可学习的滤波器（或称为卷积核）对输入数据进行滤波操作。下面我们将详细探讨...
deformable_conv2d_pytorch:在pytorch中实现的distableable_conv2d层
03-17
Deformable_Conv2d_Pytorch 在pytorch中实现的transformable_conv2d层。 我写了几篇关于志虎的文章，您可以阅读它以获得更多详细信息1. 1. 2 此外，我还完成一个例子网，，我很抱歉，我没有实现swapaxis方法，所以...
【pytorch】卷积操作原理解析与nn.Conv2d用法详解
sazass的博客
05-14 1万+
stride=1,padding=0,groups=1,bias=True)函数作用：定义一个卷积核，方便后面进行二维卷积操作参数数据类型int输入图像通道数int卷积产生的通道数卷积核尺寸，可以设为1个int型数或者一个(int, int)型的元组。例如(2,3)是高2宽3卷积核stride卷积步长，默认为1。可以设为1个int型数或者一个(int, int)型的元组。padding填充操作，控制padding_mode的数目。简言之，就是决定图像边沿填充的方式。
深入浅出理解转置卷积Conv2DTranspose
IT菜鸟
12-28 2775
深入浅出理解转置卷积Conv2DTranspose
传知代码-检测图像P图痕迹（论文复现）
最新发布
chuanzhi_tech的博客
05-24 1081
随着照相机、手机、平板电脑、摄像机等数码设备与Photoshop、美图秀秀等各种图片编辑软件的飞速发展，数字图像的生成与编辑已经变得非常容易，几乎人人都有能力生成、编辑大量的数字图像。这虽然方便了人们的生活，但也使图像篡改变得越来越容易，伪造图像也变得越来越不易察觉，甚至能够以假乱真。日常生活中人们对图像进行拼接，往往是出于美化、娱乐的目的，这并不会带来不良影响，但是当图像在被恶意拼接篡改的情况下经过传播，就会引导人们对客观事物产生错误的判断，有时甚至会对社会和国家造成不良的影响。
神经网络——Conv2d的使用
m0_51816252的博客
06-01 2万+
在Convolution Layers 卷积层中有很多函数，像：nn.Conv1d 表示1维的；nn.Conv2d 表示2维的，如图片，等。其中Conv2d使用最多，故本文重点讲下nn.Conv2d的使用。
深入理解卷积函数torch.nn.Conv2d的各个参数以及计算公式（看完写模型就很简单了）
weixin_44162814的博客
05-10 2154
上面修改第二层Conv2d()的输出通道数参数，改为164，发现最后输出结果output1也只是输出通道数目（也就是一个像素点用多少数字表示）变化，其他三个参数都没变。Hout公式代入：18 = [32+2x4-1x(5-1)-1]/2+1结果再向下取整 （也就是35/2+1向下取整 = 18）也就是修改的是torch.randn(10, 3, 32, 32)里面的3。也就是修改的是torch.randn(10, 3, 32, 32)里面的32x32。输出结果：torch.Size([10, 164,
Conv2d函数详解（Pytorch）
热门推荐
qq_43363657的博客
02-15 6万+
本文是基于Pytorch框架下的API ：Conv2d（）。该函数使用在二维输入，另外还有Conv1d（）、Conv3d（），其输入分别是一维和三维。下面将介绍Conv2d（）的参数。 一、参数介绍 def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, p.
pytorch——conv2d函数使用
xinxin的博客
08-02 6211
我们设置padding参数为1，则会在原输入图像周围拓展一行一列，且填充数据默认为0，如下图所示。0000000012031000123100121000052311002101100000000卷积核不变，按照前述规则，先匹配，再计算，最后得到结果。下图为第一次匹配结果。卷积之后的结果为：来看看代码运行结果。
nn.Conv2d参数详解及输入特征图尺寸的计算
蜗牛在奔跑的博客
05-06 9980
kernel_size：卷积核的大小，通常为正方形，可以是单个整数表示正方形大小，也可以是一个元组（tuple）表示不同宽度和高度的大小，如 (3, 5) 表示宽度为 3 个像素，高度为 5 个像素的卷积核；需要注意的是，卷积层的参数选择也会影响特征图的大小。比如，在使用大尺寸的卷积核进行卷积时，会使得特征图的尺寸减小，而使用小尺寸的卷积核则会使得特征图的尺寸增加。其中，W 表示输入特征图的宽度，H 表示输入特征图的高度，K 表示卷积核的大小，P 表示 padding 的大小，S 表示卷积核的步幅。
一维卷积与二维卷积：Conv1d与Conv2d详解
Codefmeister's BLOG
12-15 2万+
Conv1d与Conv2d 本文分为几个部分来详解Conv2d与Conv1d。主要侧重于Conv2d 前言 本文记于2020年12月15日，起因是DGCNN中部分卷积使用了二维卷积，部分卷积使用了一维卷积。加之之前对Conv2d与Conv1d属于一种迷迷糊糊的状态，趁着这个机会弄清楚。 Conv2d原理（二维卷积层） 二维互相关运算 互相关运算与卷积运算 虽然卷积层得名于卷积(convolution)运算，但所有框架在实现卷积层的底层，都采用的是互相关运算。实际上，卷积运算与互相关运算类似，为了得到卷积运算
nn.Conv2d——二维卷积运算解读
qq_50001789的博客
09-19 1万+
PyTorch学习笔记：nn.Conv2d——二维卷积运算解读nn.Conv2d——二维卷积运算代码案例一般用法输出卷积运算的参数填充方式零填充镜像填充复制填充循环填充官方文档 nn.Conv2d——二维卷积运算 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtyp
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在PyTorch中，`nn.Conv2d()`是用于创建二维卷积层的类，它是深度学习模型构建中常用的基本组件。卷积层通过在输入数据上应用一系列滤波器（或称权重）来提取特征，这些滤波器通常具有一定的尺寸（kernel_size）、...
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
09-18
1. **使用场景**：`nn.Conv2d`用于构建神经网络模型，而`F.conv2d`用于在已定义模型的前向传播过程中执行卷积计算。 2. **参数管理**：`nn.Conv2d`自动管理权重和偏置，它们是模型参数的一部分，可以进行优化。`F....
pytorch1.0中torch.nn.Conv2d用法详解
09-18
在PyTorch 1.0中，`torch.nn.Conv2d`是用于执行二维卷积操作的核心模块。它是深度学习模型，尤其是计算机视觉任务中不可或缺的一部分。本文将深入讲解`nn.Conv2d`的主要功能、参数及其用法。 首先，`nn.Conv2d`的...
Day9 神经网络-卷积层conv2d的使用
weixin_45417707的博客
06-23 894
本次学习之后使我认识到阅读官方文档的重要性 回顾了dataset和dataloader数据读取、tensorboard的使用、神经网络主框架Module 学习了卷积层的conv2d的相关概念和机制，对参数的设置有了清晰的理解，以及如何将dataloader中的数据读取并送入神经网络经过卷积层处理再展示到tensorboard中
卷积操作Conv2d详细解释以及案例
weixin_47604030的博客
01-22 4937
import torch x = torch.randn(2,1,3,2) （2张图片,通道数1单色，高3，宽2） conv = torch.nn.Conv2d(1,8,(2,3)) 输入通道数1，和上面x数据保持一致 输出的通道 8，也就是核的个数，决定了输出数据的通道数，也可以理解为有8个核处理了图片输出8个矩阵。 y=conv(x) #用卷积处理x返回y y的shape为(2,8,?,?) #还是2张,8通道,高,宽 下面是源代码可以测试： #2d中...
Pytorch二维卷积 conv2d 使用/源码/手写实现conv2d/手写向量内积实现conv2d/转置卷积实现——学习笔记
just
02-27 6262
Pytorch二维卷积 conv2d 使用/源码/手写实现conv2d/手写向量内积实现conv2d/转置卷积实现
conv2d详解--在数组和图像中的使用
Philo的博客
06-28 3593
将原始二维数据，通过卷积核进行运算，得到运算结果，具体运算步骤： 通过卷积核，覆盖输入数据，将选中的数据进行相乘后再相加，则得到输出数据 反复计算到最后，得到输出结果函数原型： ...
pytorch conv2d
08-22
PyTorch中的`nn.Conv2d`是一个用于二维卷积操作的类。它可以在图像、语音和其他二维数据上应用卷积操作。`nn.Conv2d`接受输入张量和一些配置参数，然后将其与卷积核进行卷积操作，生成输出张量。 下面是一个简单的示例，展示了如何使用`nn.Conv2d`进行二维卷积操作： ```python import torch import torch.nn as nn # 创建一个输入张量，维度为(batch_size, channels, height, width) input_tensor = torch.randn(16, 3, 32, 32) # 创建一个nn.Conv2d实例，指定输入和输出的通道数以及卷积核大小 conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3) # 使用conv对输入张量进行卷积操作 output_tensor = conv(input_tensor) # 输出张量的形状 print(output_tensor.shape) ``` 在这个例子中，我们创建了一个输入张量 `input_tensor`，它的维度为(16, 3, 32, 32)，表示一个批次大小为16的图像数据，每个图像有3个通道，高度和宽度为32。然后，我们创建了一个 `nn.Conv2d` 实例 `conv`，指定了输入通道数为3，输出通道数为64，卷积核大小为3。最后，我们将 `input_tensor` 传递给 `conv` 进行卷积操作，得到输出张量 `output_tensor`。打印输出张量的形状，可以看到输出张量的维度为(16, 64, 30, 30)，表示卷积后的特征图大小为30x30，通道数为64。 希望这个例子能帮助你理解如何使用PyTorch中的`nn.Conv2d`进行二维卷积操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值