nn.Conv2d（）

pytorch中tensor的维度顺序默认是 [batch, channel, height, width]

2D卷积层

torch.nn.Conv2d(in_channels, 
                out_channels, 
                kernel_size, 
                stride=1, 
                padding=0, 
                dilation=1, 
                groups=1, 
                bias=True
                padding_mode = 'zeros')

参数详解

in_channels(int) ：输入张量的通道数
out_channels(int) ：卷积中滤波器的数量，表示输出张量的通道数
kerner_size(int or tuple) ：卷积窗口的宽度和高度
stride(int or tuple, optional) ：卷积沿宽度和高度方向的步长
padding(int or tuple, optional) ：输入的每一条边填充的层数
dilation(int or tuple, optional) ：卷积核元素之间的间距，即膨胀卷积的膨胀率，默认为1。
groups(int, optional)：控制输入和输出之间的连接： group=1，输出是所有的输入的卷积；group=2，此时相当于有并排的两个卷积层，每个卷积层计算输入通道的一半，并且产生的输出是输出通道的一半，随后将这两个输出连接起来。
bias(bool, optional) ：如果bias=True，添加偏置
padding_mode(str, optional) ：填充的方式，如果padding_mode = 'zeros'，表示用0填充
 

示例

import torch.nn as nn
import torch
 
# 创建一个卷积层，填充一圈0
conv1 = nn.Conv2d(in_channels=3,
                  out_channels=32,
                  kernel_size=(3, 3),
                  stride=(2, 2),
                  padding=1)
 
# 创建一个卷积层，无填充
conv2 = nn.Conv2d(in_channels=3,
                  out_channels=32,
                  kernel_size=(3, 3),
                  stride=(2, 2),
                  padding=0)
 
# 创建一个维度为[64, 3, 5, 5]的tensor
x = torch.rand(64, 3, 5, 5)  
 
# 进行卷积
y1 = conv1(x)
print(y1.shape) # [64, 32, 3, 3]
 
# 进行卷积
y2 = conv2(x)
print(y2.shape) # [64, 32, 2, 2]