Pytorch之conv2d

 

 cross-correlation(互相關、交叉相關）：

 

 

 

 Cout_j 第j個輸出Channel（或由第j個Filter輸出） 

對於每個Cout_j （或每個Filter）和N_i個Kernal構成的滑動窗口來說：

       輸出點（neural)（為Kernal滑動位置和Filter的函數)s值為：

              該Filter的第k層  與  input的Kernal滑動位置下的第k層  卷積后累加      +     該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由系統設置初始值，待模式訓練修改
print(m.bias.shape)

運行結果：

torch.Size([20, 33, 26, 100])
#20個樣本 out_channels(即out_depth，也就是Filter的數目,也是out_Depth) 卷積后的H 卷積后的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個out_channels/Filter  16:Filter Depth   3：Filter H   5：Filter W

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