pytorch 笔记：torch.nn.Conv2d

1 基本用法

torch.nn,Conv2d(
    in_channels, 
    out_channels, 
    kernel_size, 
    stride=1,
    padding=0, 
    dilation=1, 
    groups=1,
    bias=True, 
    padding_mode=‘zeros’)

2 参数详解

        参数 kernel_size，stride，padding，dilation 都可以是一个整数或者是一个元组，一个值的情况将会同时作用于高和宽 两个维度，两个值的元组情况代表分别作用于高或宽维度。

in_channels	输入的通道数目 【必选】
out_channels	输出的通道数目 【必选】 也就是这一个卷积操作中卷积核filter的数量
kernel_size	卷积核的大小，类型为int 或者元组， 当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】 每次将输入卷积操作的kernel_size大小的内容进行卷积操作得到一个结果
stride	卷积每次滑动的步长为多少，默认是 1 【可选】 以kernel_size为1为例，会有： 这一轮考虑的是a[i][j],下一轮考虑的就是a[i][j+stride]
padding	设置在所有边界增加 值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ） 例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】 padding的作用是为了维护输出的维度
dilation	控制卷积核之间的间距【可选】 如果我们设置的dilation=0的话，效果如图：（蓝色为输入，绿色为输出，卷积核为3 × 3） 如果设置的是dilation=1，那么效果如图：（蓝色为输入，绿色为输出，卷积核仍为 3 × 3 。） 但是这里卷积核点与输入之间距离为1的值相乘来得到输出。

3 输入输出形状

假设输入形状为：，输出形状为：

(batchsize, channel, height, width)

那么，根据ConV2d的参数，我们有：

参考文献：

 torch.nn.Conv2d() 用法讲解_假装很坏的谦谦君-CSDN博客_conv2d