Pytorch中nn.Conv2d数据计算模拟

最新推荐文章于 2025-03-02 10:08:11 发布
最新推荐文章于 2025-03-02 10:08:11 发布
阅读量1k 收藏 7
点赞数 1
分类专栏： 基础知识 文章标签： pytorch nn.Conv2d dgcnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/isunLt/article/details/105301265
版权

Pytorch中nn.Conv2d数据计算模拟

最近在研究dgcnn网络的源码，其网络架构部分使用的是nn.Conv2d模块。在Pytorch的官方文档中，nn.Conv2d的输入数据为(B, Cin, W, H) 其中B为batch_size表示batch的大小，Cin为输入数据的特征大小（通道数），W、H对于图像数据来说分别表示图像数据的宽和高。输出数据为(B, Cout, W', H')其中Cout表示输出的特征大小，W’, H’取决于W, H,具体转换方式如下图所示:
Conv2d输入输出
通过查询nn.Conv2d的源码可知，nn.Conv2d底层是由nn.functional.Conv2d实现的，所以可以使用nn.functional.Conv2d模拟nn.Conv2d操作。

# nn.Conv2d源码
    def conv2d_forward(self, input, weight):
        if self.padding_mode == 'circular':
            expanded_padding = ((self.padding[1] + 1) // 2, self.padding[1] // 2,
最低0.47元/天 解锁文章
pytorch的nn.Conv2d()参数及尺寸计算详解（与Tensorflow.nn.Conv2d相比）
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数（如彩色图片，一般为3） out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride = 1, #卷积步长，就是卷积操作时每次移动的格子数 padding = 0, #原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘 dilation = 1, #空洞卷积的空洞指数，一般默认为1即可 groups = 1, #分
pytorch之torch.nn.Conv2d()函数详解
热门推荐
夏普通
07-09 21万+
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 官网 nn.Conv2d：对由多个输入平面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=
pytorch中Conv1d、Conv2d与Conv3d详解
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 2万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
pytorch基础 nn.Conv2d
最新发布
yuweififi的专栏
03-02 546
nn.Conv2d是 PyTorch 中用于实现二维卷积操作的类。它的数学计算原理基于卷积运算，通过对输入特征图（input feature map）和卷积核（kernel）进行滑动窗口计算，生成输出特征图（output feature map）。以下是nn.Conv2d。
nn.Conv2d参数详解及输入特征图尺寸的计算
蜗牛在奔跑的博客
05-06 1万+
kernel_size：卷积核的大小，通常为正方形，可以是单个整数表示正方形大小，也可以是一个元组（tuple）表示不同宽度和高度的大小，如 (3, 5) 表示宽度为 3 个像素，高度为 5 个像素的卷积核；需要注意的是，卷积层的参数选择也会影响特征图的大小。比如，在使用大尺寸的卷积核进行卷积时，会使得特征图的尺寸减小，而使用小尺寸的卷积核则会使得特征图的尺寸增加。其中，W 表示输入特征图的宽度，H 表示输入特征图的高度，K 表示卷积核的大小，P 表示 padding 的大小，S 表示卷积核的步幅。
nn.Conv2d卷积
落地生根
03-09 12万+
学习torch框架中的卷积神经网络，对此进行记录 一、nn.Conv2d nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)) 参数： in_channel:输入数据的通道数，例RGB图片通道数为3； out_channel: 输...
nn.Conv2d——二维卷积运算解读
qq_50001789的博客
09-19 1万+
PyTorch学习笔记：nn.Conv2d——二维卷积运算解读nn.Conv2d——二维卷积运算代码案例一般用法输出卷积运算的参数填充方式零填充镜像填充复制填充循环填充官方文档 nn.Conv2d——二维卷积运算 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtyp
Pytorch复习笔记--nn.Conv2d()和nn.Conv3d()的计算公式
牵一只蜗牛去散步
03-26 1977
nn.Conv2d( ) 和 nn.Conv3d() 分别表示二维卷积和三维卷积；二维卷积常用于处理单帧图片来提取高维特征；三维卷积则常用于处理视频，从多帧图像中提取高维特征；三维卷积可追溯于论文。
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在PyTorch中，`nn.Conv2d()`是用于创建二维卷积层的类，它是深度学习模型构建中常用的基本组件。卷积层通过在输入数据上应用一系列滤波器（或称权重）来提取特征，这些滤波器通常具有一定的尺寸（kernel_size）、...
pytorch之torch.nn.Conv2d()函数
weixin_43955293的博客
07-15 1329
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 官网 nn.Conv2d：对由多个输入平面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, dilati.
pytorch之卷积神经网络nn.conv2d
01-06
pytorch之卷积神经网络nn.conv2d 卷积网络最基本的是卷积层，使用使用Pytorch中的nn.Conv2d类来实现二维卷积层，主要关注以下几个构造函数参数： nn.Conv2d(self, in_channels, out_channels, kernel_size, stride, padding,bias=True)) 参数： in_channel:　输入数据的通道数； out_channel: 输出数据的通道数，这个根据模型调整； kennel_size: 卷积核大小；kennel_size=3,表示卷积大小(3,3)， kennel_size=（3,5），表示卷积大小为非正
nn.Conv2d（）
Xiang_bin_bin的博客
10-11 178
pytorch中tensor的维度顺序默认是 [batch, channel, height, width]
nn.Conv2d()
shuijinghua的博客
01-03 1046
torch框架中的卷积神经网络 nn.Conv2d(self,in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=true,padding_mode='zeros') 函数功能：对输入信号做2D卷积，最简单的情况，函数的输出与输入具有相同的尺寸，一般情况下，函数输出为： 其中N:...
nn.conv2d（）
一往而深深深深
04-21 452
在用conv2d函数计算网络中间feature的大小时，发现不同博客提供的公式还不一样，后来发现是不同框架的区别。 tensorflow中，padding填充有same、valid两种模式，分别对应两种计算公式。 但是在pytorch中尺寸的计算是统一的： ...
conv2d参数_PyTorch 1.1.0 源码解析--运行机制-参数更新
weixin_39991935的博客
11-28 434
那么好，我们今天来看一看优化器和参数更新在进入这一部分之前，我觉得有必要说明自动求导和反向传播的数学定义以及在编程中实现的原理， 在网上找到了这一篇文章觉得很不错，【Autograd】深入理解BP与自动求导​okcd00.oschina.io前文中说到，backward会求出loss的导数，这里补充一个上一篇文章中没有提到的点：在engine求导过程中，所有的节点都会依次求出导数，对于之前的参数层...
【TensorFlow】tf.nn.conv2d卷积实现+filter计算原理
一米阳光-的博客
12-18 4337
本来想转载底层实现过程的，结果发现原文中的实验2错误，在这里说明下fliter工作过程： 输入层：就是输入的图像，有可能是三通道的有可能是单通道的 filter:深度与输入层的深度(通道数)相同 输出层：输出层的就是filter遍历输入层后的的计算结果。 具体的计算过程如下： 输出层的深度等于filter的个数！每一个filter遍历输入层会产生一个深度的输出层，那么n个输出层就会产生n......
ESP8266加LED做一个闪光灯
weixin_45442198的博客
06-25 2488
代码如下（示例）：/* 文件名称：blink.ino 功能：ESP8266闪灯示例*/ #define PIN_LED 5 //5是端口D1 #define KEY_FLASH 13void setup() { //设置PINLED为输出模式 pinMode(PIN_LED, OUTPUT); //初始关闭LED灯 di
pytorch nn.conv2d参数个数计算
probie的博客
03-12 4566
nn.conv2d(256, 256, 3, 3) 假设输入大小为[3, 128, 128],输出的大小则为128-3+1=126，这一层参数个数为256*3*3+256=2560. 假设输入尺寸为[C_in, H, W]，则输出大小计算公式为[C_out, (H-K+2*P)/S+1, (W-K+2*P)/S+1]。其中C_in是输入通道数，H，W是数据的尺寸，K是核大小，P是padding大小，S是步长stride大小。 nn.conv2d(C_in, C_out, K, K)参数个数的计算公式为C_
pytorch 中 nn.Conv2d的参数
05-24
nn.Conv2d是PyTorch中用于卷积操作的类，其参数如下： `nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)` - `in_channels`：输入的通道数，即输入的特征图的深度。一般为3，代表RGB三个通道。 - `out_channels`：输出的通道数，即卷积核的数量，也是输出的特征图的深度。 - `kernel_size`：卷积核的大小，可以是一个整数或者一个元组，如3或(3,3)。 - `stride`：卷积的步长，可以是一个整数或者一个元组，如1或(1,1)。 - `padding`：在特征图外围补充0的层数，可以是一个整数或者一个元组，如1或(1,1)。 - `dilation`：控制卷积核中元素之间的距离，可以是一个整数或者一个元组，如1或(1,1)。 - `groups`：控制输入和输出的连接方式，可以是一个整数，默认为1，代表普通的卷积操作。 - `bias`：是否添加偏置项，可以是一个布尔值，默认为True。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值