pytorch方法测试——卷积（二维）

最新推荐文章于 2025-02-11 16:06:28 发布
最新推荐文章于 2025-02-11 16:06:28 发布
阅读量2.5k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： pytorch 文章标签： pytorch
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。
本文链接：https://blog.youkuaiyun.com/tmk_01/article/details/80671335
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。

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

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
                        

                          
200万优质内容无限畅学

                          
                        

                      
            

        


    



                



	

		

			

				
					
Pytorch学习笔记——卷积操作

				
			

			

				

					weixin_50765519的博客
				

				

					05-08
					
					1736
					
				

			

		

		

			
				
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。

			
		

	



                

            
              



	

		

			

				
					
自己实现一个Pytorch二维卷积

				
			

			

				

					LW的技术小筑
				

				

					08-08
					
					2114
					
				

			

		

		

			
				
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
					
					899
					
				

			

		

		

			
				
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] - 5.1 二维卷积层

				
			

			

				

					栗子好好吃的博客
				

				

					07-07
					
					360
					
				

			

		

		

			
				
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
					
					1833
					
				

			

		

		

			
				
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。

			
		

	





	

		

			

				
					
pytorch方法测试——卷积（三维）

				
			

			

				

					tmk_01的博客
				

				

					06-12
					
					7786
					
				

			

		

		

			
				
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
					
					839
					
				

			

		

		

			
				
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。

			
		

	





	

		

			

				
					
torch实现二维卷积

				
			

			

				

					onlyforbest的博客
				

				

					10-24
					
					2060
					
				

			

		

		

			
				
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
					
					5263
					
				

			

		

		

			
				
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

			
		

	





	

		

			

				
					
《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
					
					749
					
				

			

		

		

			
				
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-深度学习系列）CNN二维卷积层-学习笔记

				
			

			

				

					我亦是行人
				

				

					10-23
					
					1272
					
				

			

		

		

			
				
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
					
					3937
					
				

			

		

		

			
				
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
					
					1774
					
				

			

		

		

			
				
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一维卷积与二维卷积含义及使用示例

				
			

			

				

					呆萌的代Ma
				

				

					05-16
					
					5480
					
				

			

		

		

			
				
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

			
		

	





	

		

			

				
					
动手学深度学习PyTorch-打卡2

				
			

			

				

					weixin_41765544的博客
				

				

					02-18
					
					1985
					
				

			

		

		

			
				
一、过拟合、欠拟合及其解决方案
训练误差和泛化误差
区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交...

			
		

	





	

		

			

				
					
Pytorch 学习2（CNN）

				
			

			

				

					weixin_54721788的博客
				

				

					02-14
					
					953
					
				

			

		

		

			
				
CNN 神经网络

CNN (Convolution Neural Network) 卷积神经网络主要卷积层，激活层，池化层，Dropout, batch Normal 等层按照一定的顺序组成。

卷积和卷积层

卷积操作被广泛应用与图像处理领域，不同卷积核可以提取不同的特征，例如边沿、线性、角等特征。在深层卷积神经网络中，通过卷积操作可以提取出图像低级到复杂的特征。

单输入通道的情况，灰度图像





多通道输入

三通道彩色图像



推广至n维



卷积层的本质

输入（n,iw,ih），...

			
		

	





	

		

			

				
					
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
					
					8614
					
				

			

		

		

			
				
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

			
		

	





	

		

			

				
					
pytorch快速傅里叶卷积和传统卷积的区别

					
最新发布

				
			

			

				

					04-02
				

			

		

		

			
				
### PyTorch 中快速傅里叶卷积与传统卷积的区别

#### 原理对比
快速傅里叶变换 (FFT) 卷积利用了频域中的卷积定理来实现高效的计算过程。该方法通过将输入信号和滤波器转换到频域，在频域中执行逐元素乘法操作，然后再逆变换回时域得到最终结果[^1]。相比之下，传统的卷积运算是在空间域上直接滑动核窗口并逐一计算局部区域内的加权求和。

这种基于 FFT 的技术可以显著减少某些情况下所需的算术运算次数，特别是当卷积核较大或者图像尺寸非常大时效果更加明显[^2]。

#### 性能比较
从理论上讲，如果忽略边界条件处理以及可能存在的数值精度损失等问题，则对于大小为 N×N 的二维数据矩阵与其对应 M×M 尺寸的过滤器做离散线性卷积而言：

- 使用标准的空间领域方式完成一次前向传播大约需要 O(N^2 * M^2) 时间复杂度；
  
- 而采用 FFT 方法则只需要约 O((N + M)^2 log(N + M)) 来达到相同目的[^3]。

因此，在特定条件下（比如较大的输入特征图），FFT 变换可能会提供更好的效率表现。然而需要注意的是实际应用当中还涉及到其他因素的影响，例如内存访问模式、硬件加速支持程度等都会影响两者之间具体的性能差异。

#### 实现上的考虑
尽管如此，在现代深度学习框架如 PyTorch 当中，默认使用的仍然是常规形式的空间域卷积层 `torch.nn.Conv2d` ，这是因为大多数神经网络模型所涉及的操作通常不会让上述理论优势充分发挥出来——即小尺度卷积占据主导地位，并且 GPU 上已经针对这些常见情况做了高度优化[^4]。

不过为了满足特殊需求场景下的高效计算要求，也可以借助第三方库或自定义函数调用来实现基于 FFT 的卷积功能。例如可以通过 NumPy 或 SciPy 提供的相关接口先预处理好所需参数后再导入至张量环境中运行[^5]。

```python
import torch
from scipy.fftpack import fftshift, ifftshift, fftn, ifftn

def fft_convolve(input_tensor, filter_tensor):
    input_fft = fftn(ifftshift(input_tensor))
    filter_fft = fftn(filter_tensor)
    
    result_freq_domain = input_fft * filter_fft
    
    output = fftshift(ifftn(result_freq_domain)).real
    return torch.tensor(output)

# Example usage with dummy tensors
input_data = torch.randn(8, 8).numpy()  # Input tensor as numpy array
filter_kernel = torch.randn(3, 3).numpy()  # Filter kernel as numpy array

result = fft_convolve(input_data, filter_kernel)
print(result.shape)
```

以上代码片段展示了一个简单的如何在 Python 中结合 Scipy 和 PyTorch 进行快速傅立叶变换卷积的例子[^6]。

---

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      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