【学习笔记】卷积操作

1、打开pytorch官网：PyTorch https://pytorch.org/

在左侧API工具中选择torch.nn.functional -> Convolution  functions -> nn.Conv2d (二维卷积层)

如下图所示：

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

参数介绍： 

input:  输入

weight: 权重，更专业点叫卷积核

bias: 偏执

stride: 步幅

padding: 填充

下面举例说明上面参数的作用 ：

1.当stride=1,padding=0时

import torch
import torch.nn.functional as F

#输入为二维矩阵[[],[],[],[]]是个平面，channel=1 ，batch_size=1
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]])
#卷积和
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])
"""
由于上面输出只有高和宽(torch.Size([3, 3]))，不满足conv2D中input参数要求，因此可以使用pytorch提供的尺寸变换（reshape）
"""
input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))
print(input.shape)  #torch.Size([1, 1, 5, 5])
print(kernel.shape) #torch.Size([1, 1, 3, 3])

output= F.conv2d(input,kernel,stride=1)  #stride表示步幅为1，横向和纵向都为1
print(output)

2. 当padding=1时，对输入图像进行填充时