Pytorch之conv2d

 

 cross-correlation(互相关、交叉相关）：

 

 

 

 Cout_j 第j个输出Channel（或由第j个Filter输出） 

对于每个Cout_j （或每个Filter）和N_i个Kernal构成的滑动窗口来说：

       输出点（neural)（为Kernal滑动位置和Filter的函数)s值为：

              该Filter的第k层  与  input的Kernal滑动位置下的第k层  卷积后累加      +     该Filter的偏置

 

 

 

m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))
input = randn(20, 16, 50, 100)
output = m(input)
print(output.shape)
print(m.weight.shape)  #weight bias由系统设置初始值，待模式训练修改
print(m.bias.shape)

运行结果：

torch.Size([20, 33, 26, 100])
#20个样本 out_channels(即out_depth，也就是Filter的数目,也是out_Depth) 卷积后的H 卷积后的W

H=取下界{[50+2x4-3x(3-1)-1]/2 +1 }=取下界{26.5}=26
M=取下界{[100+2x2-1x(5-1)-1]/1 +1}=取下界{100}=100

torch.Size([33, 16, 3, 5])
#33个out_channels/Filter  16:Filter Depth   3：Filter H   5：Filter W

torch.Size([33])
#33个out_channels/Filter bias