P17 土堆说卷积 （minibatch图片数，inchannel图层数，高，宽）

今天主要讲解 Conv2d

此处补充dilation，叫做空洞卷积：
一般卷积操作时，会一一对应相乘累加求和；

原本是这样紧密相邻做卷积

dilation的话：
会作间隔后卷积：

一、卷积操作:

1 、假设输入图像是5×5 卷积核3×3

2、计算
对应位置相乘然后累加结果：10

3、参数中stride的作用：卷积核移动位数
stride=1时的输出

特别注意
如果stride=2
卷积核走到右边缘时。会从左边缘向下走两步再开始计算
也就是说stride=2时，只有四个输出结果。

二、预处理：

1、再来读文档
一般用上边这个
这次为了理解在下面fun

我们来看参数

input 尺寸要求：要有batch，通道，高宽
weight权重：输出通道，高宽

2、来看下自己数据的尺寸

import torch
input=torch.tensor([[1,2,0,3,1],      //这里把数据以tensor类型输入//
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [ 5,2,3,1,1],
                    [2,1,0,1,1]]
                   )

kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

print(input.shape)
print(kernel.sh

输出结果：

torch.Size([5, 5])
torch.Size([3, 3])

可以看到输出只有高和宽；
不满足input需要的（minibatch，inchannel，高iH，宽iW）

3、因此我们用torch的工具reshape

因为这里是一张图片？所以batch设为1
假设是灰度图所以通道，channel设为1

import torch
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]]
                   )

kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))

print(input.shape)
print(kernel.shape)

看下结果：

torch.Size([1, 1, 5, 5])
torch.Size([1, 1, 3, 3])

三、程序实战：

1、

import torch
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]]
                   )

kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))

print(input.shape)
print(kernel.shape)
.//此处开始//
import torch.nn.functional as F
F.conv2d()

2、继续

import torch.nn.functional as F
output=F.conv2d(input,kernel,stride=1) 
print(output)

输出结果如下，恰好是刚才算的。
tensor([[[[10, 12, 12],
          [18, 16, 16],
          [13,  9,  3]]]])

3、我们再看stride=2是啥样的
恰好是4个数，没毛病！

import torch.nn.functional as F
output=F.conv2d(input,kernel,stride=1)
output2=F.conv2d(input,kernel,stride=2)
print(output)
print(output2)

结果：

tensor([[[[10, 12],
          [13,  3]]]])

四、来看padding参数：”

1、作用：拓展像素

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓假设padding为1：
空的地方默认值为0

2、代码来看：

import torch
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]]
                   )

kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))


import torch.nn.functional as F
output=F.conv2d(input,kernel,stride=1)
output2=F.conv2d(input,kernel,stride=2)
print(output)
print(output2)


//原来基础上输入//
output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

结果：

tensor([[[[ 1,  3,  4, 10,  8],
          [ 5, 10, 12, 12,  6],
          [ 7, 18, 16, 16,  8],
          [11, 13,  9,  3,  4],
          [14, 13,  9,  7,  4]]]])

padding一般是更关注于边缘特征。。