神经网络中基本神经结构的使用——Conv2d

与神经网络相关的都在torch.nn里

这里讨论Convolution Layers，一下展示的时torch.nn.functional里的conv2d卷积层，其中包含有一些参数：input（输入)，weight（权重），bias（偏置），stride（步径）等

卷积操作：

输入图像：

1	2	0	3	1
0	1	2	3	1
1	2	1	0	0
5	2	3	1	1
2	1	0	1	1

表1

卷积核：

1	2	1
0	1	0
2	1	0

表2

       设置stride=1，则表示横纵向滑动步长都为1，红色部分与卷积核进行第一次卷积操作，结果为1*1+2*2+0*1+0*0+1*1+2*0+1*2+2*1+1*0=10;3*3的卷积向后滑动1步，则为表1中数字背景为黄色的部分与卷积核进行卷积操作，结果为2*1+0*2+3*1+1*0+2*1+3*0+2*2+1*1+0*0=12，以此类推...对输入通过3*3的卷积核操作后的输出结果为：

10	12	12
18	16	16
13	9	3

   设置padding参数的含义就是对输入图形的矩阵进行填充，比如设置为1，则输入图像的矩阵表变为，其中绿色背景的数字所组成的表格表示初始的输入图像数据：

0	0	0	0	0	0	0
0	1	2	0	3	1	0
0	0	1	2	3	1	0
0	1	2	1	0	0	0
0	5	2	3	1	1	0
0	2	1	0	1	1	0
0	0	0	0	0	0	0

使用代码实现：

import torch
import torch.nn.functional as F
#输入矩阵
input = torch.tensor([[1,2,0,3,1],
                      [0,1,2,3,1],
                      [1,2,1,0,0],
                      [5,2,3,1,1],
                      [2,1,0,1,1]])
#卷积核
kernel = torch.tensor([[1,2,1],
                       [0,1,0],
                       [2,1,0]])
#用torch的reshape切换尺寸
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
#应用conv2d的input尺寸有4个参数，查看原尺寸只有2个，使用reshape函数切换尺寸
print(input.shape)
print(kernel.shape)

output = F.conv2d(input,kernel,stride=1)
print(output)

output2 = F.conv2d(input,kernel,stride=2)
print(output2)

#设置padding进行填充
output3 = F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

运行结果与预期一致：