以3通道100行200列的一幅图像img为例,期望输出16通道卷积特征,卷积核为3行3列,则
(1)函数调用:
conv = torch.nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3)
out = conv(img)
其中,nn.Conv2d函数中
第一个参数表示输入图像的通道数
第二个参数表示输出图像的通道数
第三个参数表示卷积核尺寸,行列相等时可直接缩写为一个数
(2)卷积核的shape: out_channels x in_channels x kernel_size1 x kernel_size2 ==> 16 x 3 x 3 x3
输入img的shape: sample_count x in_channels x height x width ==> 1 x 3 x 100 x 200
conv中已包含初始化的卷积核,无需手动输入
PyTorch基础——二维卷积时的卷积核以及输入tensor的shape
最新推荐文章于 2024-06-19 16:36:40 发布