卷积操作 —— P17 小土堆-优快云博客

本文介绍了如何使用PyTorch库中的convolution操作，包括设置输入矩阵、调整卷积核形状、设置stride和padding，以及演示了不同参数对输出结果的影响。

1.设置输入矩阵和卷积核

2.利用reshape改变 x 的shape以满足input的参数

convolution

官方文档

Convolution Layers

1.设置输入矩阵和卷积核

import torch

# 二维矩阵的输入
input = torch.tensor([[1, 2, 0, 3, 1],
                  [0, 1, 2, 3, 1],
                  [1, 2, 1, 0, 0],
                  [5, 2, 3, 1, 1],
                  [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

input需要是这种shape

input：输入

weight：核

stride：核每次移动的步数

2.利用reshape改变 x 的shape以满足input的参数

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

3.调用conv2d，并查看输出结果

import torch.nn.functional as F
output = F.conv2d(input1, kernel, stride=1)
print(output)

输出

4.stride：核每次移动的步数

stride=1时：

stride=2时：

5.padding：在输入的边上填充数据

完整代码

import torch
import torch.nn.functional as F

# 二维矩阵的输入
input1 = torch.tensor([[1, 2, 0, 3, 1],
                  [0, 1, 2, 3, 1],
                  [1, 2, 1, 0, 0],
                  [5, 2, 3, 1, 1],
                  [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

input1 = torch.reshape(input1, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

# print(input1.shape)  # 输出input和kernel的shape
# print(kernel.shape)  # 满足conv2d的参数要求

# stride=1
output = F.conv2d(input1, kernel, stride=1)
print(output)
# stride=2
output2 = F.conv2d(input1, kernel, stride=2)
print(output2)
# padding
output3 = F.conv2d(input1, kernel, stride=1, padding=1)
print(output3)