Conv2d()的参数及用法

最新推荐文章于 2025-02-18 10:43:15 发布

GAMBER_123

最新推荐文章于 2025-02-18 10:43:15 发布

阅读量1.9k

点赞数

分类专栏： Python 文章标签： python

本文链接：https://blog.youkuaiyun.com/hyh14/article/details/133431401

版权

Python 专栏收录该内容

9 篇文章

订阅专栏

二维卷积

输入的大小： $(N, C_{in}, H_{in}, W_{in})$ or $(C_{in}, H_{in}, W_{in})$

输出的大小： $(N, C_{\text{out}}, H_{\text{out}}, W_{\text{out}})$ or $(C_{out}, H_{out}, W_{out})$

$\text{out}(N_i, C_{\text{out}_j}) = \text{bias}(C_{\text{out}_j}) + \sum_{k = 0}^{C_{\text{in}} - 1} \text{weight}(C_{\text{out}_j}, k) \star \text{input}(N_i, k)$

其中，星号表示有效的2D相互关联运算符；N为batch；C表示channel的数量；H W分别为输入的高度和宽度。

$H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[0] - \text{dilation}[0] \times (\text{kernel\_size}[0] - 1) - 1}{\text{stride}[0]} + 1\right\rfloor$

$W_{out} = \left\lfloor\frac{W_{in} + 2 \times \text{padding}[1] - \text{dilation}[1] \times (\text{kernel\_size}[1] - 1) - 1}{\text{stride}[1]} + 1\right\rfloor$

--in_channels (int):输入图像中的通道数。例如，RGB3通道彩色图像，灰度为1.

--out_channels (int):卷积核产生的通道数。也就是卷积核的个数，每一个卷积核产生一个输出通道。

--kernel_size (int或tuple):卷积核的大小。单个数值时，即为方形，还可以（3,5），表示宽3高5.

--stride (int或tuple，可选，默认：1):卷积的步幅。

--padding (int, tuple或str，可选，默认：0):填充到'输入'的所有四个边（一圈）。

--padding_mode(str，可选, 默认值:'zeros'):``'zeros'``, ``'reflect'``, ``'replicate'`` or ``'circular'``.

--dilation (int或tuple，可选，默认值：1):内核元素之间的间距，即卷积核的膨胀率。

--groups (int，可选，默认值:1):从输入通道到输出通道的阻塞连接数。

--bias (bool，可选，默认值:true):如果为“True”，则在输出中添加可学习的偏差。

属性：

weight (Tensor): 
    shape:
  The values of these weights are sampled from 
   其中，

bias (Tensor): 
    shape:(out_channels). If :attr:`bias` is ``True``,
    then the values of these weights are sampled from 
    其中，

例子：

>>> # With square kernels and equal stride
>>> m = nn.Conv2d(16, 33, 3, stride=2)
>>> # non-square kernels and unequal stride and with padding
>>> m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
>>> # non-square kernels and unequal stride and with padding and dilation
>>> m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))
>>> input = torch.randn(20, 16, 50, 100)
>>> output = m(input)