pytorch conv2d函数详解,pytorch Conv2d

　　要描述一个像素，如果它是灰色的，那么只需要一个数值来描述它，这个数值就是单通道。如果有三种颜色的RGB来描述，那就是三个通道。原始图像样本的通道，取决于图像类型；

　　卷积运算完成后的输出out_channels取决于卷积核的个数。此时，out_channels也将用作in _ channels卷积核在下一个卷积中的位置；

　　卷积核中的In_channels，如上所述，是最后一个卷积的out_channels，如果是第一个卷积，就是样图的通道。

　　例如，假设有一个663的图片样本，使用333的卷积滤波器进行卷积。此时输入图片的通道为3，卷积核中的in_channels与待卷积数据的通道一致(即图片样本为3)。接下来，执行卷积运算。卷积核中的27个数乘以对应的样本，然后求和得到第一个结果。依次进行，最后得到44的结果。因为只有一个卷积核，所以最终结果是441，out_channels是1。如下图所示：

　　在实际应用中，会用到很多卷积核。如果在这里再加一个卷积核，会得到442的结果。如下图所示：

　　2.nn。Conv2d

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

　　神经网络的功能。Conv2d是对多个输入平面组成的输入信号进行二维卷积。输入信号的形式为：

　　$$

　　(N，C_{in}，H，W)

　　$$

　　(1)参数描述

　　n:表示批次大小(批次参数)

　　C_{in}:表示通道的数量。

　　h、W:分别为特征图的高度和宽度。

　　Stride(步长):步长，默认值为1，可以设置为1个int数或者(int，int)类型的元组。

　　Kernel_size:卷积核的宽度和长度，单个整数或由两个整数组成的列表/元组。如果是单个整数，则意味着每个空间维度的长度相同。

　　填充(填充0):控制零填充的数量，填充是在卷积之前填充0。

　　膨胀：控制核点(卷积核点)的间距；可以在这个github地址查看：膨胀卷积动画

　　组(卷积核的个数):一般来说，卷积核的个数是唯一的，但在某些情况下，可以在1 —— in _ channels的范围内设置卷积核的个数：

　　(2)图像尺寸

　　一次卷积后，生成图形的大小为：

　　(原始大小-(内核大小- 1)) /步幅

　　3.nn。ConvTranspose2d

　　神经网络的功能。ConvTranspose2d是去卷积。

　　(1)输入格式

　　nn。ConvTranspose2d(in_channels，out_channels，kernel_size，stride=1，padding=0，output_padding=0，groups=1，bias=True，dilation=1)

　　(2)参数的含义

　　in _ channels(int)输入信号的通道数

　　out _ channels(int)卷积生成的通道数

　　Kern _ size (int或tuple)-卷积核的大小

　　Stride(int或tuple，可选)-卷积步长，即放大输入的倍数。

　　Padding(int或tuple，可选)-输入边补充0层，高度和宽度增加2*padding。

　　Output _ padding (int或tuple，可选)-输出边缘补充0层，宽度和高度增加填充。

　　Groups (int，可选)从输入通道到输出通道的阻塞连接数。

　　Bias(bool，可选)-如果bias=True，则添加偏移量

　　膨胀(int或tuple，可选)卷积核元素之间的间距。

　　了解更多编程知识，请关注我的微信官方账号：

　　编码道路

　　原创作品来自博客作者代码之路，

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。