pytorch之torch.nn.Conv2d()函数详解

文章目录

  • 一、官方文档介绍
  • 二、torch.nn.Conv2d()函数详解
    • 参数详解
    • 参数dilation——扩张卷积（也叫空洞卷积）
    • 参数groups——分组卷积
  • 三、代码实例

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！！！

相关

标签