tensor[32, 3, 128, 128]经过nn.Conv2d(3, 16, 3, 1)后，torch.size为[32, 16, 126, 126]的计算过程

经过 nn.Conv2d(3, 16, 3, 1) 后，张量的形状从 [32, 3, 128, 128] 变为 [32, 16, 126, 126]。这里详细解释这次卷积操作是如何导致张量形状变化的。

首先，这个卷积层的参数含义如下：

• 输入通道数 (in_channels): 3（对应输入图像的 RGB 通道）。
• 输出通道数 (out_channels): 16（卷积层的滤波器数量）。
• 卷积核大小 (kernel_size): 3（3x3 卷积核）。
• 步幅 (stride): 1（卷积核每次移动的像素数）。
• 填充 (padding): 0（默认值，即不使用填充）。

这里一步步地计算卷积操作后的张量形状变化。

通道数变化

• 输入通道数: 3
• 输出通道数: 16

卷积操作通过 16 个不同的卷积核对输入图像进行操作，生成 16 个不同的特征图。因此，通道数从 3 变为 16。

空间维度变化 (高度和宽度)

计算输出特征图的高度和宽度可以使用以下公式：

• 输入高度和宽度 (Input Size): 128
• 卷积核大小 (Kernel Size): 3
• 填充 (Padding): 0
• 步幅 (Stride): 1

将这些值代入公式：

所以，卷积操作后，特征图的高度和宽度都变为 126。

最终输出张量的形状

• 批次大小 (Batch Size): 32（保持不变）
• 输出通道数 (Output Channels): 16
• 输出高度 (Output Height): 126
• 输出宽度 (Output Width): 126

因此，经过 nn.Conv2d(3, 16, 3, 1) 后，张量的形状从 [32, 3, 128, 128] 变为 [32, 16, 126, 126]。

最后

• 输入的 32 张 RGB 图像，大小为 128x128 像素。
• 经过 16 个 3x3 的卷积核，步幅为 1，没有填充。
• 生成 16 个特征图，大小为 126x126 像素。
• 最终输出形状为 [32, 16, 126, 126]。