卷积操作代码举例————PyTorch

哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
的P17讲讲述了卷积操作的举例使用。

首先，要做的效果如图：一个很简单的输入图像，卷积核首先和输入图像左上角33对齐，然后对应格子相乘，再9个格子相加，即1+22+0*1…如下边第一个式子，得到卷积后的输出的第一个值——10。Stride=1的意思是，卷积核向左移动一个格子，再类似计算得出输出的第二个值——12。

其代码实现为：

import torch
import torch.nn.functional as F
# 卷积函数,即图片中的两个矩阵相乘再相加，1+4+0+0+1+2+2

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]])
# 两个中括号说明是二维的矩阵
# 构造输入图像
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])
# 构造卷积核

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))
# 一个尺寸变化工具

print(input.shape)# input的尺寸
print(kernel.shape)

output = F.conv2d(input, kernel, stride=1)
print(output)
# 得出的ouput和图片中的卷积后的输出一样

# 当 stride=2 时,即卷积核在输入图像上每次移动两个格
output2 = F.conv2d(input, kernel, stride=2)
print(output2)


# 当 stride=1 、padding = 2 时,即先在输入图像的上下左右先填充一圈0，卷积核在输入图像上每次移动一个格
output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)

padding=1的效果如图，即先在输入图像的上下左右先填充一圈0。

结果如图，和自己计算的效果一样：