【Pytorch】nn.Module一些常用的模块

nn.ReflectionPad2d()

ReflectionPad2d 是paddingLayer，padding的方式多种，可以是指定一个值，也可以是不规则方式，即给出一个四元组

input = torch.randn(64, 3, 220, 220) # input size
 
# 4-tuple
pad = nn.ReflectionPad2d((3, 3, 5, 5)) # laft, right, top, bottom
output = pad(input) # size(64, 3, 230, 226)
 
# int
pad = nn.ReflectionPad2d(3)
output = pad(input) # size(64, 3, 226, 226)

输出大小的计算方式如下：

$Ho=Hi+paddingTop+paddingBottom，Wo=Wi+paddingLeft+paddingRight$

nn.Conv2d()

二维卷积可以处理二维数据。
nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True))
参数：
  in_channel：输入数据的通道数，例RGB图片通道数为3；
  out_channel：输出数据的通道数，这个根据模型调整；
  kennel_size：卷积核大小，可以是int，或tuple；kennel_size=2,意味着卷积大小(2,2)， kennel_size=（2,3），意味着卷积大小（2，3）即非正方形卷积
  stride：步长，默认为1，与kennel_size类似，stride=2,意味着步长上下左右扫描皆为2， stride=（2,3），左右扫描步长为2，上下为3；
  padding：零填充

import torch
import torch.nn as nn

x = torch.randn(10, 16, 30, 32) # batch, channel , height , width
print(x.shape)
m = nn.Conv2d(16, 33, (3, 2), (2,1))  # in_channel, out_channel ,kennel_size,stride
print(m)
y = m(x)
print(y.shape)

输出结果：

torch.Size([10, 16, 30, 32])
Conv2d(16, 33, kernel_size=(3, 2), stride=(2, 1))
torch.Size([10, 33, 14, 31])

卷积计算过程：
h/w = (h/w - kennel_size + 2padding) / stride + 1
x = ([10,16,30,32]),其中h=30,w=32,对于卷积核长分别是 h:3，w:2 ；对于步长分别是h：2，w:1；padding默认0；
h = (30 - 3 + 20) / 2 + 1 = 27 / 2 + 1 = 13 + 1 = 14
w = (32 - 2 + 2 * 0) / 1 + 1 = 30 / 1 + 1 = 30 + 1 = 31
batch = 10, out_channel = 33
故： y= ([10, 33, 14, 31])

参考博客

nn.ReflectionPad2d()
nn.Conv2d卷积