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