torch.nn.Conv2d()函數詳解

import torch

x = torch.randn(2,1,7,3)
conv = torch.nn.Conv2d(1,8,(2,3))
res = conv(x)

print(res.shape)    # shape = (2, 8, 6, 1)

輸入x：

[ batch_size, channels, height_1, width_1 ]

batch_size	一個batch中樣例的個數	2
channels	通道數，也就是當前層的深度	1
height_1	圖片的高	7
width_1	圖片的寬	3

Conv2d的參數

[ channels, output, height_2, width_2 ] 

channels	通道數，和上面保持一致，也就是當前層的深度	1
output	輸出的深度	8
height_2	過濾器filter的高	2
weight_2	過濾器filter的寬	3

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

in_channels	Number of channels in the input image
out_channels	Number of channels produced by the convolution
kernel_size	卷積核尺寸
stride	步長，控制cross-correlation的步長，可以設為1個int型數或者一個(int, int)型的tuple。
padding	(補0)：控制zero-padding的數目。
dilation	(擴張)：控制kernel點（卷積核點）的間距
groups	(卷積核個數)：通常來說，卷積個數唯一，但是對某些情況，可以設置范圍在1 —— in_channels中數目的卷積核：
bias	adds a learnable bias to the output.

 

 

輸出res:

[ batch_size,output, height_3, width_3 ]

batch_size	一個batch中樣例的個數，同上	2
output	輸出的深度	8
height_3	卷積結果的高度	h1-h2+1 = 7-2+1 = 6
weight_3	卷積結果的寬度	w1-w2+1 = 3-3+1 = 1

參考

torch.nn.Conv2d
torch.nn.MaxPool2d
————————————————
版權聲明：本文為CSDN博主「huxuedan01」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/m0_37586991/article/details/87855342