pytorch方法测试——卷积（二维）

最新推荐文章于 2025-04-11 01:55:27 发布
原创 最新推荐文章于 2025-04-11 01:55:27 发布 · 2.6k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch

本文主要介绍了如何在PyTorch中进行二维卷积的测试代码，虽然卷积概念普遍理解，但文中会强调一些关键细节。

测试代码：

 

import torch
import torch.nn as nn
 

m = nn.Conv2d(2, 2, 3, stride=2)
input = torch.randn(1, 2, 5, 7)
output = m(input)

print("输入图片(2张)：")
print(input)
print("卷积的权重：")
print(m.weight)
print("卷积的偏重：")
print(m.bias)



                

        

    


  


        

            

                      
                        最低0.47元/天 解锁文章
                          
                      
            

        


    



                



	

		

			

				
					
《动手学深度学习》(Pytorch版) 学习笔记——5.1二维卷积层

				
			

			

				

					槐序的小山洞
				

				

					05-23
					
					776
					
				

			

		

		

			
				
文章目录前言1 二维互相关运算

前言
Python初学者一枚，文章仅为个人学习记录，便于以后查看使用。
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。
1 二维互相关运算
通常在卷积层中使用更加直观的互相关（cross-correlation）运算。
在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一个二维数组。

将上述过程实现在corr2d函数里。它接受输入数组X与核数组K，并

			
		

	



                

            
              



	

		

			

				
					
Pytorch二维卷积 conv2d 使用/源码/手写实现conv2d/手写向量内积实现conv2d/转置卷积实现——学习笔记

				
			

			

				

					just
				

				

					02-27
					
					9132
					
				

			

		

		

			
				
Pytorch二维卷积 conv2d 使用/源码/手写实现conv2d/手写向量内积实现conv2d/转置卷积实现

			
		

	



              


  
              

                


	

		

			

				
					
自己实现一个Pytorch二维卷积

				
			

			

				

					LW的技术小筑
				

				

					08-08
					
					2213
					
				

			

		

		

			
				
一.前言
卷积是卷积神经网络的核心，其主要包括一维卷积、二维卷积和三维卷积，其中二维卷积是应用最广泛的，例如我们常见的图像上的卷积。今天博主就来带大家手撕一下二维卷积计算的实现，注意本文专注于卷积运算的实现，话不多说，请看下文。
二.预备知识
注：限于篇幅关系，暂不考虑stride和padding。
先给个栗子吧，假设存在一张大小为3×4×43 \times 4 \times 43×4×4​图像，即图像存在三个通道 (channel)，每个channel的宽高都为444​​​​​，即图1中的3个深蓝色模块。

			
		

	





	

		

			

				
					
《动手学习深度学习》读书笔记

				
			

			

				

					gs344937933的专栏
				

				

					07-26
					
					927
					
				

			

		

		

			
				
这本书的官网：http://zh.d2l.ai/

B站网址：https://space.bilibili.com/209599371/channel/detail?cid=23541

Pytorch版本：https://github.com/ShusenTang/Dive-into-DL-PyTorch

github网址：https://github.com/d2l-ai/d2l-zh




			
		

	



		

			
		



	

		

			

				
					
Pytorch学习笔记——卷积操作

				
			

			

				

					weixin_50765519的博客
				

				

					05-08
					
					1821
					
				

			

		

		

			
				
卷积操作是一种数学运算，它涉及两个函数：输入函数（通常是图像）和卷积核（也称为滤波器或特征检测器）。卷积核在输入函数上滑动，将核中的每个元素与其覆盖的输入函数区域中的对应元素相乘，然后将所有乘积相加，形成输出函数的一个值。这个过程在整个输入函数上重复，生成一个新的二维数组，称为特征图或激活图。卷积操作的主要目的是从输入数据中提取特征。通过改变卷积核的值，可以检测不同类型的特征，如边缘、角点、纹理等。

			
		

	





	

		

			

				
					
pytorch方法测试——卷积（三维）

				
			

			

				

					tmk_01的博客
				

				

					06-12
					
					7806
					
				

			

		

		

			
				
测试代码：import torch
import torch.nn as nn
import torch.autograd as autograd

m = nn.Conv3d(2, 1, 3, stride=2)
input = autograd.Variable(torch.randn(1, 2, 3, 5, 6))
output = m(input)

print("输入图片：")
prin...

			
		

	





	

		

			

				
					
Pytorch学习笔记——卷积神经网络入门学习1

				
			

			

				

					chn_zx的博客
				

				

					02-11
					
					910
					
				

			

		

		

			
				
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。卷积神经网络中使用最常见的是二维卷积层，它有高和宽两个空间维度，常用来处理图像数据。

			
		

	





	

		

			

				
					
【PyTorch】torch.nn.Conv2d 类：二维卷积层（2D Convolutional Layer）

				
			

			

				

					彬彬侠的博客
				

				

					03-22
					
					4065
					
				

			

		

		

			
				
torch.nn.Conv2d是PyTorch二维卷积层（2D Convolutional Layer）的实现，主要用于计算机视觉任务（如图像分类、目标检测等），可以提取空间特征并增强模型的表示能力。torch.nn.Conv2d是PyTorch处理图像的核心组件。padding=1保持尺寸，stride=2进行降采样。dilation增大感受野，groups实现分组卷积。适用于CNN、目标检测、语义分割等任务。正确理解Conv2d参数对于优化CNN结构至关重要。

			
		

	





	

		

			

				
					
[pytorch、学习] - 5.1 二维卷积层

				
			

			

				

					栗子好好吃的博客
				

				

					07-07
					
					377
					
				

			

		

		

			
				
参考
5.1 二维卷积层
卷积神经网络(convolutional neural network)是含有卷积层(convolutional layer)的神经网络。本章介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度,常用来处理图像数据。本节中,我们将介绍简单形式的二维卷积层的工作原理。
5.1.1 二维互相关运算

# 将上述过程实现在 corr2d 函数里.它接受输入数组 X 与核数组 K,并输出数组 Y
import torch 
from torch import nn

def 

			
		

	





	

		

			

				
					
Pytorch：二维卷积及其伴随定义

				
			

			

				

					m0_63997099的博客
				

				

					04-14
					
					1982
					
				

			

		

		

			
				
输入函数fxyf(x, y)fxy，通常是一个图像，其中xxx和yyy是图像上的像素坐标。卷积核（或滤波器）gxyg(x, y)gxy，它定义了在每个像素位置上如何结合fxyf(x, y)fxy周围的像素。

			
		

	





	

		

			

				
					
torch实现二维卷积

				
			

			

				

					onlyforbest的博客
				

				

					10-24
					
					2113
					
				

			

		

		

			
				
卷积操作（pytorch实现）：

1、了解一下基础函数

（1）Torch.nn.Conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=True)

in_channels：输入维度（援引：https://www.cnblogs.com/siyuan1998/p/1080...

			
		

	





	

		

			

				
					
pytorch中的训练与测试——基础篇

				
			

			

				

					weixin_50774105的博客
				

				

					02-27
					
					5346
					
				

			

		

		

			
				
一、测试

1、创建测试图片路径与输出的保存路径


import os

# 图片存储在当前路径（os.getcwd()）下，data文件夹中的test文件夹中
input_dir = os.path.join(os.getcwd(), "data", "test")
output_dir = os.path.join(os.getcwd(), "data", "result")

2、存储图片名的list

将test中的图片按照名字排序并且存储到一个list当中去——等下图片的读取就会按照这个list

			
		

	





	

		

			

				
					
（pytorch-深度学习系列）CNN二维卷积层-学习笔记

				
			

			

				

					我亦是行人
				

				

					10-23
					
					1302
					
				

			

		

		

			
				
二维卷积层
在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。
例如：
输入为：input:
[012345678]\begin{bmatrix} 0 & 1 & 2 \\ 3 & 4 &5 \\ 6 & 7 & 8 \end{bmatrix}⎣⎡​036​147​258​⎦⎤​
核为：kernel:
[0

			
		

	





	

		

			

				
					
pytorch学习笔记（十九）：二维卷积层

				
			

			

				

					逐梦er的博客
				

				

					08-04
					
					4092
					
				

			

		

		

			
				
文章目录1. 二维互相关运算2. 二维卷积层3. 图像中物体边缘检测4. 通过数据学习核数组
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本章中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本节中，我们将介绍简单形式的二维卷积层的工作原理。
1. 二维互相关运算
虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-cor

			
		

	





	

		

			

				
					
卷积神经网络pytorch简易代码实现

				
			

			

				

					weixin_45364527的博客
				

				

					02-18
					
					1808
					
				

			

		

		

			
				
二维互相关运算
mport torch 
import torch.nn as nn

def corr2d(X, K):
    H, W = X.shape
    h, w = K.shape
    Y = torch.zeros(H - h + 1, W - w + 1)
    for i in range(Y.shape[0]):
        for j in range(Y.s...

			
		

	





	

		

			

				
					
【pytorch】卷积操作原理解析与nn.Conv2d用法详解

					
热门推荐

				
			

			

				

					sazass的博客
				

				

					05-14
					
					4万+
					
				

			

		

		

			
				
stride=1,padding=0,groups=1,bias=True)函数作用：定义一个卷积核，方便后面进行二维卷积操作参数数据类型int输入图像通道数int卷积产生的通道数卷积核尺寸，可以设为1个int型数或者一个(int, int)型的元组。例如(2,3)是高2宽3卷积核stride卷积步长，默认为1。可以设为1个int型数或者一个(int, int)型的元组。padding填充操作，控制padding_mode的数目。简言之，就是决定图像边沿填充的方式。

			
		

	





	

		

			

				
					
PyTorch学习笔记之一：卷积层

					
最新发布

				
			

			

				

					jinming021的博客
				

				

					04-11
					
					1189
					
				

			

		

		

			
				
经过卷积后，特征图shape是如何计算？

			
		

	





	

		

			

				
					
pytorch一维卷积与二维卷积含义及使用示例

				
			

			

				

					呆萌的代Ma
				

				

					05-16
					
					5590
					
				

			

		

		

			
				
卷积（Convolution）操作比较常见，是通过一个卷积核在特征图上的滑动，得到另一个特征图
卷积操作通常被理解为提取局部特征

以二维卷积为例，通常有以下三种模式：

Full Mode：以卷积层最下角对齐输入的最上角，最后会导致输入维度 < 输出维度，其中浅色的地方一般是补0
Valid Mode：从输入的最上角开始，最后输入维度 > 输出维度
Same Mode：自适应匹配位置，使最终的输入维度 = 输出维度

在pytorch里直接指定输入输出，而不需要指定模式
一维卷积
import

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
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
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
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