Pytorch深度学习-卷积操作（小土堆）

卷积层（Conbolution Layers）

• 卷积和：每个卷积核的数组中的值与图像对应位置的值形成并相加再输出

Conv2d

1. 查询官网https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d
2. API

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

3. 参数

1. input – 形状 (minibatch,in_channels,𝑖𝐻,𝑖𝑊)(minibatch,in_channels,iH,iW) 的输入张量
2. weight – 形状 (out_channels,in_channelsgroups,𝑘𝐻,𝑘𝑊)(out_channels,groupsin_channels​,kH,kW) 过滤器，权重/卷积和
3. bias – 形状 (out_channels)(out_channels) 的可选偏置张量。默认值： `None`
4. stride – 卷积内核的步幅。可以是单个数字或元组 （sH， sW），元组就是会有横向移动和纵向移动。默认值：1，每次计算完之后移动多少
5. padding - 输入两侧的隐式填充。可以是字符串 {'valid'， 'same'}、单个数字或元组 （padH， padW）。默认值：0,`padding='valid'` 与无填充相同。 `padding='same'` 填充输入，使输出具有与输入相同的形状。但是，此模式不支持除 1 以外的任何步幅值。

4. 代码示例

'''
tensor([[[[10, 12, 12],
          [18, 16, 16],
          [13,  9,  3]]]])
'''
import torch  
import torch.nn.functional as F  
  
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]])  
#但是此时input和kernel都是一个二维数组，并不符合conv2d的输入要求  
#进行reshape变换  
input = torch.reshape(input,(1,1,5,5))  
kernel = torch.reshape(kernel,(1,1,3,3))  
  
output = F.conv2d(input,kernel,stride=1)  
print(output)

5. padding的使用
   • 作用：在数组周围全部填充一个数字，默认为0
   • 代码示例

'''
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]]]])
'''
output_pd = F.conv2d(input,kernel,stride=1,padding=1)  
print(output_pd)