torch_nn.Conv2d

二维卷积nn.Conv2d()函数的用法

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，当输入为RGB图片时，in_channels=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 = 3，表示卷积核的大小3×3。
  kennel_size =(3,5)，表示卷积核的大小为3×5，是矩形的卷积核。卷积核的高度为3，宽度为5。
• stride：步长，默认stride = 1。
  stride=2：表示卷积核上下左右移动的步长均为2。
  stride=(2,3)，表示上下移动步长为2，左右为3。 | ->2，一 -> 3
• padding：表示在被卷积对象上下左右填充的数量。padding=0，则表示不填充，padding=2，则表示上下左右各填充2。
• bias：表示是否添加偏置项。

例如

import torch
import torch.nn as nn

x = torch.randn(12,18,45,36) # 输入通道数为18

layer = nn.Conv2d(in_channels=18, out_channels=28, kernel_size = (3,5), stride = (2,3))

y = layer(x)

print(y.shape)

输出：

torch.Size([12, 28, 22, 11])

计算方法：
待处理数据的高度$H=45$,宽度$W=36$，则卷积之后的高度和宽度分为：

$h=\frac{H-kerne{l}_{s}ize[0]+2\ast padding[0]}{stride[0]}+1$ $\to$ $h=\frac{45-3+2\ast 0}{2}+1=22$

$w=\frac{W-kerne{l}_{s}ize[1]+2\ast padding[1]}{stride[1]}+1$ $\to$ $w=\frac{36-5+2\ast 0}{3}+1=11$