PyTorch笔记12--卷积层

1d/2d/3d卷积

卷积运算：

        卷积核在输入信号（图像）上滑动，相应位置上进行乘加

卷积核：

        又称滤波器，过滤器，可认为是某种模式，某种特征

卷积过程：

        类似于用一个模板去图像上寻找与它相似的区域，与卷积核模式越相似，激活值越高，从而实现特征提取

AlexNet卷积核可视化，发现卷积核学习到的是边缘，条纹，色彩这一些细节模式

卷积维度：

        一般情况下，卷积核在几个维度上滑动，就是几维卷积

卷积-nn.Conv2d()

nn.Conv2d(#对多个二维信号进行二维卷积
    in_channels,#输入通道数
    out_channels,#输出通道数，等价于卷
积核个数
    kernel_size,#卷积核尺寸
    stride=1,#步长
    padding=0,#填充个数
    dilation=1,#空洞卷积大小
    groups=1,#分组卷积设置
    bias=True,#偏置
    padding_mode='zeros'
)

转置卷积-nn.ConvTranspose

转置卷积又称为部分跨越卷积(Fractionally-strided Convolution) ，用于对图像进行上采样(UpSample)

正常卷积：

        假设图像尺寸为4*4，卷积核为3*3，padding=0，stride=1

        图像：I𝟏𝟔∗𝟏

        卷积核：K𝟒∗𝟏𝟔

        输出：O𝟒∗𝟏 = K𝟒∗𝟏𝟔 ∗ I𝟏𝟔∗𝟏

转置卷积：

        假设图像尺寸为2*2，卷积核为3*3，padding=0，stride=1

        图像：I𝟒∗𝟏

        卷积核： K𝟏𝟔∗𝟒

        输出：O𝟏𝟔∗𝟏 = K𝟏𝟔∗𝟒 ∗ I𝟒∗𝟏

nn.ConvTranspose2d(#转置卷积实现上采样
    in_channels,#输入通道数
    out_channels,#输出通道数
    kernel_size,#卷积核尺寸
    stride=1,#步长
    padding=0,#填充个数
    output_padding=0,
    groups=1,#分组卷积设置
    bias=True,#偏置
    dilation=1,#空洞卷积大小
    padding_mode='zeros'
)