F.conv2D函数

原创已于 2022-06-21 22:13:11 修改 · 1.9k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能 #机器学习

于 2022-06-21 21:36:16 首次发布

本文介绍了PyTorch中的卷积操作函数torch.nn.functional.conv2d，重点解析了输入参数input和weight的作用。通过实例展示了当使用3x3滤波器和相同步长时，如何从4通道的输入转换为8通道的输出，输出形状为（1，8，3，3）。理解这两个关键参数对于掌握卷积神经网络的构建至关重要。

部署运行你感兴趣的模型镜像

函数原型

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

参数：

在这里插入图片描述这里仅仅解释两个主要的参数。
以一个例子说明：

# With square kernels and equal stride
filters = torch.randn(8, 4, 3, 3)
inputs = torch.randn(1, 4, 5, 5)
out=F.conv2d(inputs, filters)

out的shape为（1，8，3，3）
注意input和weight的参数含义，就能清楚了。

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

@mylove

关注关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【Pytorch】torch.nn.functional.conv2d（F.conv2d） same padding实现方法（输入与输出大小相同）

qq_43426078的博客

04-07

4570

Motivation 在做图像退化的时候发现pytorch早期版本不支持same padding（新版本是有padding = 'same'这个选项的，但是本人试了也没成功，暂时没找到原因）。于是去查有没有办法自己实现一下same padding。 torch.nn.functional.conv2d 详解官方文档写的非常清楚，直接贴上来实现方法由于F.conv2d的padding最多只支持两个参数（对称填充），有些输出大小没办法实现。因此可以通过F.pad()先做填充，再用F.conv2d做卷积。

pytorch中Conv1d、Conv2d与Conv3d详解

最新发布

qq_36812406的博客

09-09

1349

（如 BatchNorm 后面接卷积层时）PyTorch 默认采用。（比如在图像任务中）

pytorch1.0中torch.nn.Conv2d用法详解

09-18

总的来说，`torch.nn.Conv2d`在PyTorch中扮演着至关重要的角色，它与其他函数如`F.relu`和`F.max_pool2d`结合，构建了深度学习模型的基础架构。理解其工作原理和参数设置对于有效地设计和训练神经网络至关重要。

torch.nn.Conv2d()与slim.conv2d()函数参数详解

daijingxin的博客

03-16

1381

步长，即卷积核在与图像做卷积的过程中每次移动的距离，一般定义为[1，stride_h,stride_w,1]，stride_h与stride_w分别表示在高的方向和宽的方向的移动的步长，第一个1表示在batch上移动的步长，最后一个1表示在通道维度移动的步长，而目前tensorflow规定：strides[0] = strides[3] = 1，即不允许跳过bacth和通道，前面的动态图中的stride_h与stride_w均为1。输入的tensor，被卷积的图像，conv2d要求input必须是四维的。

Pytorch中torch.nn.conv2d和torch.nn.functional.conv2d的区别

XU_MAN_的博客

01-18

1193

第一点： nn.Conv2d 是一个类，而 nn.functional.conv2d更像是一个函数。具体地说就是： nn.Conv2d可以狭隘的理解为Class类，需要继承自nn.Module nn.Module 类，具体代码查看 https://pytorch.org/docs/stable/_modules/torch/nn/modules/conv.html#Conv2d nn.functional 中的函数更像是纯函数，由 def function(input，，) 定义 ...

pytorch F.conv2d(函数式接口)

子燕若水的博客

06-25

8559

TensorFlow备忘录——conv2d函数

diaojiu2755的博客

03-14

549

卷积函数 TensorFlow学习备忘录 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) Args input: A 4-D Tensor。需要计算卷积的图像，其shape是[batch, height, width, channel...

F.conv2d的参数groups的作用

qq_39861441的博客

09-14

3636

import torch.nn.functional as F import torch inputs = torch.arange(1, 21).reshape(1, 2, 2, 5) filters = torch.arange(1, 7).reshape(2, 1, 1, 3) print(inputs) print(filters) res = F.conv2d(input=inputs, weight=filters, stride=(1, 1), groups=2) print(res) ...

[Pytorch]卷积运算conv2d

weixin_45863060的博客

08-01

5296

[top]

pytorch入门10：F.Conv2d和nn.Conv2d

qq_42360017的博客

03-27

2705

import torch import torch.nn.functional as F # 小括号里面有几个[]就代表是几维数据 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 = torc

F.conv2d实现代码

sherryhwang的博客

10-10

1107

深度学习常用函数模板

F.conv2d pytorch卷积计算

shuijinghua的博客

03-17

2万+

Pytorch里一般小写的都是函数式的接口，相应的大写的是类式接口。函数式的更加low-level一些，如果不需要做特别复杂的配置只需要用类式接口就够了。可以这样理解：nn.Conved是2D卷积层，而F.conv2d是2D卷积操作。 import torch from torch.nn import functional as F """手动定义卷积核(weight)和偏置""" w ...

[PyTorch] nn.Conv2d与F.cond2d的手写实现（nn、nn.functional、Conv、Conv2d、卷积、实现、卷积核个数、stride、im2col、输出通道数、特征图）

Le0v1n 的博客

08-03

2833

nn、nn.functional、Conv、Conv2d、卷积、实现、卷积核个数、stride、im2col、输出通道数、特征图

pytorch——conv2d函数使用

xinxin的博客

08-02

9104

我们设置padding参数为1，则会在原输入图像周围拓展一行一列，且填充数据默认为0，如下图所示。0000000012031000123100121000052311002101100000000卷积核不变，按照前述规则，先匹配，再计算，最后得到结果。下图为第一次匹配结果。卷积之后的结果为：来看看代码运行结果。

nn.Conv2d函数

03-08

### 使用 PyTorch 中的 `nn.Conv2d` 函数在 PyTorch 的 `nn` 模块中，`nn.Conv2d()` 类用于实现二维卷积操作。此类通常应用于图像处理任务，如特征提取等。定义一个简单的神经网络来展示 `nn.Conv2d` 的基本用法： ```python import torch import torch.nn as nn class SimpleConvNet(nn.Module): def __init__(self): super(SimpleConvNet, self).__init__() # 定义一个具有特定参数设置的 Conv2D 层 # 输入通道数为 3（RGB 图像），输出通道数为 64， # 卷积核大小为 4×4 方形窗口，步幅设为 2，边缘补全宽度定为 1 self.conv_layer = nn.Conv2d( in_channels=3, out_channels=64, kernel_size=(4, 4), stride=2, padding=1 ) def forward(self, input_tensor): output = self.conv_layer(input_tensor) return output # 创建该网络的一个实例并打印其结构 net = SimpleConvNet() print(net) # 打印卷积层权重和偏置项的信息 print("Weights of conv layer:\n", net.conv_layer.weight.data) print("\nBias terms of conv layer:\n", net.conv_layer.bias.data) ``` 上述代码展示了如何创建自定义的卷积神经网络类，并初始化了一个包含单个 `nn.Conv2d` 层的对象。通过调用 `.forward()` 方法可以执行前向传播过程[^1]。关于 `padding_mode` 参数的选择，默认情况下采用的是零填充 (`'zeros'`)，除此之外还有反射填充 (`'reflect'`)、复制边界(`'replicate'`)以及循环填充(`'circular'`)三种模式可供选择[^3]。 #### 关于 `nn.Conv2d` 和 `functional.conv2d` 的区别值得注意的是，在构建模型时可以选择使用 `torch.nn.Conv2d` 或者 `torch.nn.functional.conv2d` 来完成二维卷积运算。两者的主要差异在于前者属于类形式而后者则是函数形式；因此当希望将卷积操作作为一个持久化的组件加入到更复杂的架构之中时推荐选用 `nn.Conv2d`[^2]。