pytorch之torch.nn.Conv2d()函数详解
文章目录
一、官方文档介绍
nn.Conv2d：对由多个输入平面（多通道）组成的输入信号进行二维卷积
二、torch.nn.Conv2d()函数详解
参数详解
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
| 参数 | 参数类型 | ||
|---|---|---|---|
in_channels |
int | Number of channels in the input image | 输入图像通道数 |
out_channels |
int | Number of channels produced by the convolution | 卷积产生的通道数 |
kernel_size |
(int or tuple) | Size of the convolving kernel | 卷积核尺寸，可以设为1个int型数或者一个(int, int)型的元组。例如(2,3)是高2宽3卷积核 |
stride |
(int or tuple, optional) | Stride of the convolution. Default: 1 | 卷积步长，默认为1。可以设为1个int型数或者一个(int, int)型的元组。 |
padding |
(int or tuple, optional) | Zero-padding added to both sides of the input. Default: 0 | 填充操作，控制padding_mode的数目。 |
padding_mode |
(string, optional) | ‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’ | padding模式，默认为Zero-padding 。 |
dilation |
(int or tuple, optional) | Spacing between kernel elements. Default: 1 | 扩张操作：控制kernel点（卷积核点）的间距，默认值:1。 |
groups |
(int, optional) | Number of blocked connections from input channels to output channels. Default: 1 | group参数的作用是控制分组卷积，默认不分组，为1组。 |
bias |
(bool, optional) | If True, adds a learnable bias to the output. Default: True | 为真，则在输出中添加一个可学习的偏差。默认：True。 |
参数dilation——扩张卷积（也叫空洞卷积）
dilation操作动图演示如下：
Dilated Convolution with a 3 x 3 kernel and dilation rate 2
扩张卷积核为3×3，扩张率为2
参数groups——分组卷积
Group Convolution顾名思义，则是对输入feature map进行分组，然后每组分别卷积。假设输入feature map的尺寸仍为C ∗ H ∗ W ，输出feature map的数量为N个，如果设定要分成G个groups，则每组的输入feature map数量为 C G \frac{C}{G}GC ，每组的输出feature map数量为N G \frac{N}{G}GN，每个卷积核的尺寸为C G ∗ K ∗ K \frac{C}{G}∗K∗KGC∗K∗K，卷积核的总数仍为N个，每组的卷积核数量为N G \frac{N}{G}GN ，卷积核只与其同组的输入map进行卷积，卷积核的总参数量为N ∗ C G ∗ K ∗ K N∗\frac{C}{G}∗K∗KN∗GC∗K∗K，可见，总参数量减少为原来的1 G \frac{1}{G}G1，其连接方式如下图右所示，group1输出map数为2，有2个卷积核，每个卷积核的channel数为4，与group1的输入map的channel数相同，卷积核只与同组的输入map卷积，而不与其他组的输入map卷积。
三、代码实例
import torch x = torch.randn(3,1,5,4) print(x) conv = torch.nn.Conv2d(1,4,(2,3)) res = conv(x) print(res.shape) # torch.Size([3, 4, 4, 2])
输入：x[ batch_size, channels, height_1, width_1 ] batch_size，一个batch中样本的个数 3 channels，通道数，也就是当前层的深度 1 height_1， 图片的高 5 width_1， 图片的宽 4 卷积操作：Conv2d[ channels, output, height_2, width_2 ] channels，通道数，和上面保持一致，也就是当前层的深度 1 output ，输出的深度 4【需要4个filter】 height_2，卷积核的高 2 width_2，卷积核的宽 3 输出：res[ batch_size,output, height_3, width_3 ] batch_size,，一个batch中样例的个数，同上 3 output， 输出的深度 4 height_3， 卷积结果的高度 4 width_3，卷积结果的宽度 2 一个样本卷积示例：
亲测有效！！！
