本文介绍了nn.Conv2d在深度学习中的应用，解析了in_channels、out_channels、kernel_size、stride和padding等关键参数。通过实例展示了如何保持输入与输出大小一致，强调了公式O=(I-K+2P)/S+1的重要性。
nn.Conv2d(in_channels=3,out_channels=64,kernel_size=4,stride=2,padding=1)
当然，上面的公式过于复杂难以记忆。大多数情况下的kernel_size、padding左右两数均相同，且不采用空洞卷积（dilation默认为1），因此只需要记 O = （I - K + 2P）/ S +1这种在深度学习课程里学过的公式就好了。
第一种 nn.Conv2d(3, 64, 3, 1, 1)
in_channels=3,out_channels=64,kernel_size=3,stride=1,padding=1
input的大小和output的大小一样的。
第二种 nn.Conv2d(3, 3, 1, 1, 0)
in_channels=3,out_channels=3,kernel_size=1,stride=1,padding=1
input的大小和output的大小一样的。
要保持大小不变，k=3 p=1.k=1,p=0
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
