文章目錄
一、官方文檔介紹
nn.Conv2d：對由多個輸入平面（多通道）組成的輸入信號進行二維卷積
二、torch.nn.Conv2d()函數詳解
參數詳解
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
| 參數 | 參數類型 | ||
|---|---|---|---|
in_channels |
int | Number of channels in the input image | 輸入圖像通道數 |
out_channels |
int | Number of channels produced by the convolution | 卷積產生的通道數 |
kernel_size |
(int or tuple) | Size of the convolving kernel | 卷積核尺寸，可以設為1個int型數或者一個(int, int)型的元組。例如(2,3)是高2寬3卷積核 |
stride |
(int or tuple, optional) | Stride of the convolution. Default: 1 | 卷積步長，默認為1。可以設為1個int型數或者一個(int, int)型的元組。 |
padding |
(int or tuple, optional) | Zero-padding added to both sides of the input. Default: 0 | 填充操作，控制padding_mode的數目。 |
padding_mode |
(string, optional) | ‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’ | padding模式，默認為Zero-padding 。 |
dilation |
(int or tuple, optional) | Spacing between kernel elements. Default: 1 | 擴張操作：控制kernel點（卷積核點）的間距，默認值:1。 |
groups |
(int, optional) | Number of blocked connections from input channels to output channels. Default: 1 | group參數的作用是控制分組卷積，默認不分組，為1組。 |
bias |
(bool, optional) | If True, adds a learnable bias to the output. Default: True | 為真，則在輸出中添加一個可學習的偏差。默認：True。 |
參數dilation——擴張卷積（也叫空洞卷積）
dilation操作動圖演示如下：
Dilated Convolution with a 3 x 3 kernel and dilation rate 2
擴張卷積核為3×3，擴張率為2
參數groups——分組卷積
Group Convolution顧名思義，則是對輸入feature map進行分組，然后每組分別卷積。假設輸入feature map的尺寸仍為C ∗ H ∗ W ，輸出feature map的數量為N個，如果設定要分成G個groups，則每組的輸入feature map數量為 C G \frac{C}{G}GC ，每組的輸出feature map數量為N G \frac{N}{G}GN，每個卷積核的尺寸為C G ∗ K ∗ K \frac{C}{G}∗K∗KGC∗K∗K，卷積核的總數仍為N個，每組的卷積核數量為N G \frac{N}{G}GN ，卷積核只與其同組的輸入map進行卷積，卷積核的總參數量為N ∗ C G ∗ K ∗ K N∗\frac{C}{G}∗K∗KN∗GC∗K∗K，可見，總參數量減少為原來的1 G \frac{1}{G}G1，其連接方式如下圖右所示，group1輸出map數為2，有2個卷積核，每個卷積核的channel數為4，與group1的輸入map的channel數相同，卷積核只與同組的輸入map卷積，而不與其他組的輸入map卷積。
三、代碼實例
import torch x = torch.randn(3,1,5,4) print(x) conv = torch.nn.Conv2d(1,4,(2,3)) res = conv(x) print(res.shape) # torch.Size([3, 4, 4, 2])
輸入：x[ batch_size, channels, height_1, width_1 ] batch_size，一個batch中樣本的個數 3 channels，通道數，也就是當前層的深度 1 height_1， 圖片的高 5 width_1， 圖片的寬 4 卷積操作：Conv2d[ 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 4【需要4個filter】 height_2，卷積核的高 2 width_2，卷積核的寬 3 輸出：res[ batch_size,output, height_3, width_3 ] batch_size,，一個batch中樣例的個數，同上 3 output， 輸出的深度 4 height_3， 卷積結果的高度 4 width_3，卷積結果的寬度 2 一個樣本卷積示例：
親測有效！！！