Pytorch实现卷积、Depthwise Convolution、分组卷积、动态卷积和转置卷积、反卷积、全卷积、空洞卷积、可变形卷积、深度可分离卷积等操作

taoqick

已于 2025-03-29 01:06:56 修改

阅读量2.1k

点赞数 24

CC 4.0 BY-SA版权

文章标签： pytorch 人工智能 python

于 2024-03-04 17:17:36 首次发布

本文链接：https://blog.youkuaiyun.com/taoqick/article/details/136452621

文章详细介绍了如何使用PyTorch的torch.unfold函数进行张量操作，包括二维矩阵的卷积展开，以及深度卷积、分组卷积、动态卷积和深度可分离卷积等概念的实现。作者还提到了转置卷积和全卷积在网络结构中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

底层是用img2col实现的，但是如果想用pytorch来实现，可以试试torch.unfold这个函数，也可以硬写

torch.unfold

torch.unfold可以按照指定维度，以一定的间隔将原始张量进行分片（slicing），然后返回重整后的张量。先以二维矩阵展示其用法

>>> a = torch.arange(16).view(4, 4)
>>> a
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15]])
>>> b = a.unfold(0, 3, 1)           # 按照行，以每3个元素，跨步为1进行展开
>>> b
tensor([[[ 0,  4,  8],
         [ 1,  5,  9],
         [ 2,  6, 10],
         [ 3,  7, 11]],

        [[ 4,  8, 12],
         [ 5,  9, 13],
         [ 6, 10, 14],
         [ 7, 11, 15]]])
>>> b.shape
torch.Size([2, 4, 3])
>>> c = b.unfold(1, 3, 1)           # 对b按照列以每3个元素跨步为1进行展开
>>> c                               # 注意此时c即为3x3滑动窗展开结果
tensor([[[[ 0,  1,  2],
          [ 4,  5,  6],
          [ 8,  9, 10]],

         [[ 1,  2,  3],
          [ 5,  6,  7],
          [ 9, 10, 11]]]