pytorch常用函数:torch.nn.Conv2d

本文详细介绍了PyTorch中nn.Conv2d模块的参数和使用方法,包括in_channels、out_channels、kernel_size、stride、padding、dilation和groups等关键概念,并通过实例展示了不同参数设置对卷积操作的影响。nn.Conv2d是深度学习中用于图像处理的基础组件,用于构建卷积神经网络。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

torch.nn.Conv2d

参数有以下几个:in_channels,out_channels,kernel_size,stride,padding,
padding_mode,dilation,groups,bias

在这里插入图片描述

in_channels

(整数)输入图像的通道数

out_channels

(整数)输出图像的通道数

kernel_size

(整数或数组)卷积核的大小

stride

(整数或数组,整数)卷积的步长,默认为1

padding

(整数或者数组,正数)在输入两边进行0填充的数量,默认为0

dilation

(正数或数组,正数)卷积核元素之间的步幅,该参数可调整空洞卷积的空洞大小,默认为1

groups

(整数,正数)从输入通道到输出通道的阻塞连接数

bias

(布尔值,正数)bias=True则添加偏置,默认为True

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)
### 查找 `torch.nn.Conv2d` 的源代码 在 PyTorch 中,`Conv2d` 类位于模块 `torch.nn.modules.conv` 下面。具体来说,类定义如下: ```python import torch.nn as nn class Conv2d(_ConvNd): def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, padding: Union[_size_2_t, str] = 0, dilation: _size_2_t = 1, groups: int = 1, bias: bool = True, padding_mode: str = 'zeros' ): ... ``` 该类继承自 `_ConvNd` 并实现了二维卷积层的功能[^4]。 当创建一个 `Conv2d` 对象并调用它时(即执行前向传播),实际发生的操作是由底层 C++ 扩展通过 Python 绑定来完成的。对于具体的卷积计算部分,则是在 `torch._C` 库内部处理,这部分通常是编译后的高效实现而不是纯 Python 代码[^5]。 为了查看更详细的源码逻辑,在 GitHub 上可以找到完整的文件路径以及更多细节说明。通常情况下,用户并不需要直接修改或深入理解这些底层实现,除非是为了贡献代码给项目本身或是出于学习目的深入了解框架的工作机制[^3]。 #### 关于 `torch.nn.functional.conv2d` 值得注意的是,除了 `torch.nn.Conv2d` 外还有一个函数版本叫做 `torch.nn.functional.conv2d()` 。这两个接口提供了相似的功能但是应用场景有所不同:前者用于构建可训练模型的一部分;后者则更适合一次性使用的场景或者是作为其他组件的基础构件。 ```python # 使用 torch.nn.Conv2d 构建网络层 conv_layer = nn.Conv2d(in_channels=1, out_channels=4, kernel_size=(2, 3)) # 或者使用 functional API 进行单次运算 output = F.conv2d(input_tensor, weights, ... ) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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