二维卷积和转置卷积

---

1.nn.Cov2d

nn.Cov2d(in_channels,
		 out_channels,
		 kernel_size,
		 stride = 1,
		 padding = 0,
		 dilation = 1,
		 groups = 1,
		 bias = True,
		 padding_mode = 'zero'
)

功能：对多个二维信号进行二维卷积
主要参数：
• in_channels：输入通道数
• out_channels：输出通道数，等价于卷积核个数
• kernel_size：卷积核尺寸
• stride：步长
• padding ：填充个数
• dilation：空洞卷积大小，常用于图像分割任务
• groups：设置分组卷积的组数，常用于模型的轻量化
• bias：偏置
尺寸计算：
$$输出尺寸=\frac{输入尺寸-kerne{l}_{s}ize}{stride}+1$$

经过2维卷积后的图像变化：

卷积前尺寸:torch.Size([1, 3, 512, 512])
卷积后尺寸:torch.Size([1, 1, 510, 510])

计算：
$$输出尺寸=\frac{512-3}{1}+1=510$$

2.转置卷积

nn.CovTranspose2d(in_channels,
				  out_channels,
 				  kernel_size,
				  stride = 1,
				  padding = 0,
				  output_padding = 0,
				  groups = 1,
				  bias = True,
				  dilation = 1,
				  padding_mode = 'zeros'
)

功能：用于对图像进行上采样(UpSample)。输入图像尺寸比较小，经过转置卷积以后输出图像尺寸更大
主要参数：
• in_channels：输入通道数
• out_channels：输出通道数
• kernel_size：卷积核尺寸
• stride：步长。stride几乎决定了整个上采样的大小
• padding ：填充个数
• dilation：空洞卷积大小
• groups：分组卷积设置
• bias：偏置

计算：
$$输出尺寸=(输入尺寸-1)\ast stride+kerne{l}_{s}ize$$
经过转置卷积后的图像变化(设置stride为2)：

卷积前尺寸:torch.Size([1, 3, 512, 512])
卷积后尺寸:torch.Size([1, 1, 1025, 1025])

计算：
$$输出尺寸=(512-1)\ast 2+3=1025$$