pytorch中的Conv1d、Conv2d、Conv3d

修改时间：①19/9/11

添加一个文章 (19/9/28)
12种卷积方法（含1x1卷积、转置卷积和深度可分离卷积等）
英文原文地址

一、一维卷积 Conv1d

一维卷积常用于序列模型，自然语言处理领域。
输入输出数据格式：
in/out:（batch_size , channel , length）

torch.nn.modules.conv.Conv1d def __init__(self,
             in_channels: int,
             out_channels: int,
             kernel_size: Any,
             stride: Any = ...,
             padding: Any = ...,
             dilation: Any = ...,
             groups: int = ...,
             bias: bool = ...,
             padding_mode: str = ...) -> None

可以把图片改成[b,c,h*w] 输入到一维卷积中

二、二维卷积 Conv2d

二维卷积常用于计算机视觉、图像处理领域。
输入输出数据格式
input ： （batch_size , channel , height , width）
out : （batch_size , channel , height , width）

# Conv2d的规定输入数据格式为(batch, channel, Height, Width)

def __init__(self,
             in_channels: int,
             out_channels: int,
             kernel_size: Any,
             stride: Any = ...,
             padding: Any = ...,
             dilation: Any = ...,
             groups: int = ...,
             bias: bool = ...,
             padding_mode: str = ...) -> None

假设输入数据 x 为 [5，3，28，28] 即 batch_size 为 5 ，通道数为3，长宽都为28；kernel 为 2*2 大小，深度为6

• in_channels ： 输入数据的通道数，如果是图片数据那么就是色彩通道，如彩色图片的 R G B 三个通道。（数据x中的3）
• out_channels：这个叫法易混淆，这个是指卷积核的通道数，也就是卷积核的深度（kenel 中的深度 6 ）
• kernel_size: 卷积核尺寸 （上面的 2*2） stride ： 卷积核移动的步长 padding ：输入的每一条边补充0的层数

# 对于例子中的
layer = nn.Conv2d(3,6,kernel_size =2,stride =1,padding =1)

$$n_{out}=[\frac{n_{in}+2p-k}{s}{]}_{(下采样)}+1$$

三、三维卷积 Conv3d

# Conv3d的规定输入数据格式为(batch, channel, Depth, Height, Width)
torch.nn.modules.conv.Conv3d def __init__(self,
             in_channels: int,
             out_channels: int,
             kernel_size: Any,
             stride: Any = ...,
             padding: Any = ...,
             dilation: Any = ...,
             groups: int = ...,
             bias: bool = ...,
             padding_mode: str = ...) -> None


# 参数group的作用为：将输入数据按通道顺序分组, 每组有in_channel/group个通道.(例:group为2时，输入数据前一半通道为一组)
# 	同时, 每组对应的kernel个数, 从原来的out_channel变为outchannel/group.
			# 此处的kernel为三维及以上结构,而filter特指二维层状的过滤器。
# 	原来的情况中, 每个生成的特征图都有所有通道的贡献.
# 	而现在, 特征图仅由其所在group对应的通道卷积构成. 
# 简而言之, group参数的目的就是将原本的大卷积分成多个并联(side by side)的小卷积
# 另: 在in_channel不变的情况下, 当group>1时, kernel总数不变, 而filter总数缩小group倍.
		# 而在filter、kernel总数不变的情况下, group增大, 需要的in_channel按同样比例增大.
 
# 参数dilation的作用为： 控制卷积核元素的间隔大小.具体可搜索“空洞卷积”