pytorch nn.Conv2d()中的padding以及输出大小

最新推荐文章于 2025-06-04 08:32:56 发布

qq_30468133

最新推荐文章于 2025-06-04 08:32:56 发布

阅读量1w

点赞数 3

CC 4.0 BY-SA版权

分类专栏：小知识点

本文链接：https://blog.youkuaiyun.com/qq_30468133/article/details/87711821

小知识点专栏收录该内容

47 篇文章

订阅专栏

本文通过实例演示了在卷积神经网络中使用不同padding参数的效果，展示了如何通过添加padding保持输出图像尺寸与输入一致，同时改变通道数。通过对比两种不同padding设置的卷积层，清晰地说明了padding在保持图像尺寸方面的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

conv1=nn.Conv2d(1,2,kernel_size=3,padding=1)
conv2=nn.Conv2d(1,2,kernel_size=3)

inputs=torch.Tensor([[[[1,2,3],
                     [4,5,6],
                     [7,8,9]]]])
print("input size: ",inputs.shape)
outputs1=conv1(inputs)
print("output1 size: ",outputs1.shape)
outputs2=conv2(inputs)
print("output2 size: ",outputs2.shape)

输出：
input size:  torch.Size([1, 1, 3, 3])
output1 size:  torch.Size([1, 2, 3, 3])
output2 size:  torch.Size([1, 2, 1, 1])

padding是指卷积前进行padding，这样保证输出的图像形状大小与输入相同，但是通道数channel改变了。