土堆说-卷积操作

原创

已于 2025-06-14 16:26:18 修改 · 1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #神经网络

于 2025-06-14 16:14:06 首次发布

前言

一、PyTorch 卷积操作基础(二维卷积 F.conv2d)

二、使用 nn.Conv2d + TensorBoard 可视化卷积输出（CIFAR10 图像卷积与 TensorBoard 可视化）

5.批量卷积与 TensorBoard 可视化输出

总结

前言

本章涵盖了基础的 二维卷积操作和使用 nn.Conv2d 模块 + TensorBoard 可视化卷积效果 的完整流程。

一、PyTorch 卷积操作基础(二维卷积 `F.conv2d`)

1.引入必要库

import torch
import torch.nn.functional as F

2. 构建图像以及卷积核

#图像
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]
])

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

3.进行reshape 操作

在 PyTorch 中，F.conv2d 函数要求输入和卷积核必须是 4D 张量，且维度顺序为 [N, C, H, W]（批量大小、通道数、高度、宽度）。上一个步骤创建的仅仅是5*5的2D矩阵并不符合卷积条件。

因此要进行两次reshape操作：

input=torch.reshape(input,(1,1,5,5))
'''1（第 1 个维度）：批量大小（Batch Size），这里表示只处理一张图片。
1（第 2 个维度）：通道数，灰度图的通道数为 1。彩色是3(RGB)
5（第 3 个维度）：高度，表示图像的高度为 5。
5（第 4 个维度）：宽度，表示图像的宽度为 5。'''
kernel=torch.reshape(kernel,(1,1,3,3))

4.验证是否reshape成功：

print(input.shape)
print(kernel.shape)

输出结果：

torch.Size([1, 1, 5, 5])
torch.Size([1, 1, 3, 3])-----------》验证成功

5.调用 F.conv2d 开“卷”：

但是卷之前还是得了解一下卷

最低0.47元/天解锁文章