pytorch常用函数：torch.nn.Conv2d

最新推荐文章于 2024-07-19 14:41:44 发布

原创最新推荐文章于 2024-07-19 14:41:44 发布 · 259 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#卷积 #卷积神经网络

python 同时被 2 个专栏收录

44 篇文章

订阅专栏

pytorch

9 篇文章

订阅专栏

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。

部署运行你感兴趣的模型镜像

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)

您可能感兴趣的与本文相关的镜像