卷积操作的基本原理

二维的卷积操作

设置一个卷积核，然后与输入图像从左到右，从上到下移动，对应位置相乘相加再加上偏置项便是卷积后的输出。这里偏置项为0。

下面是官网对二维卷积的描述

 下面演示以torch.nn.functional为例，

 所需要的参数

 input需要一个带4个参数的tensor，包括样本数，通道数，高和宽

weight为卷积核

bias为偏置项

stride为卷积核每次移动的步长，可以设置一个数，那么平行和垂直移动步长都是一样的，也可以传入一个元组来分别设置平行和垂直步长

padding为用0填充四周多少行/列，也可以使用元组为h和w分别设置填充数量

下面给出一个示例

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]])
print(input.shape)
print(kernel.shape)
# 这里要使用reshape是因为卷积函数需要4维的数据，所以要按照它的要求把输入的2维变成4维（升维）
input = torch.reshape(input, (1, 1, 5, 5)) # batch_size, channel, 5×5的大小
kernel = torch.reshape(kernel, (1, 1, 3, 3)) # batch_size, channel, 3×3的大小

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

output = F.conv2d(input, kernel, stride=1)
print(output)

添加padding参数:

output = F.conv2d(input, kernel, stride=1, padding=1)

 四周都为0