F.conv2d的参数groups的作用

最新推荐文章于 2025-03-22 10:49:04 发布

撒旦即可

最新推荐文章于 2025-03-22 10:49:04 发布

阅读量3.4k

点赞数 1

分类专栏： Pytorch 文章标签： pytorch 深度学习神经网络

本文链接：https://blog.csdn.net/qq_39861441/article/details/120285815

版权

Pytorch 专栏收录该内容

36 篇文章

订阅专栏

这篇博客深入探讨了PyTorch中的卷积操作，通过示例解释了`F.conv2d`函数的使用。输入input为[1,2,2,5]，卷积核filters为[2,1,1,3]，设置groups为2，这意味着卷积过程中input被分成两个部分，分别与kernel进行卷积，最后将结果concat在一起，形成[b,cout,h,w]的输出。文章强调了groups参数的影响以及卷积层在深度学习中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch.nn.functional as F
import torch
inputs = torch.arange(1, 21).reshape(1, 2, 2, 5)
filters = torch.arange(1, 7).reshape(2, 1, 1, 3)
print(inputs)
print(filters)
res = F.conv2d(input=inputs, weight=filters, stride=(1, 1), groups=2)
print(res)

输出

这说明输入的input为[1,2,2,5],kernel为[2,1,1,3],那么groups=2,此时kernel的第一个shape参数必须为groups的倍数，否则报错。这说明实际上是把input 变为group个[b,c/group,h,w]分别与kernel[cout/group,c/group,k1,k2]进行卷积后这group个结果进行concat的到最后【b,cout,h,w】的输出