Pytorch实现各种2d卷积

最新推荐文章于 2025-05-17 09:07:06 发布

Learn2Learn

最新推荐文章于 2025-05-17 09:07:06 发布

阅读量4.4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： pytorch

本文链接：https://blog.youkuaiyun.com/u014767662/article/details/88574643

本文详细介绍了Pytorch中2D卷积的实现，包括普通卷积、深度可分离卷积、空洞卷积以及Identity操作。深度可分离卷积通过分离卷积步骤减少了参数量，空洞卷积则在保持参数量不变的情况下扩大了感受野。Identity操作在跨层传递中起到关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

普通卷积

使用nn.Conv2d()，一般还会接上BN和ReLu
参数量NNCin*Cout+Cout(如果有bias，相对来说表示对参数量影响很小，所以后面不考虑)

class ConvBNReLU(nn.Module):

  def __init__(self, C_in, C_out, kernel_size, stride, padding, affine=True):
    super(ConvBNReLU, self).__init__()
    self.op = nn.Sequential(
      nn.Conv2d(C_in, C_out, kernel_size, stride=stride, padding=padding, bias=False),
      nn.BatchNorm2d(C_out, eps=1e-3, affine=affine),
      n