pytorch中的torch.nn.Conv2d()函数图文详解

一、官方文档介绍

官网

nn.Conv2d：对由多个输入平面组成的输入信号进行二维卷积

二、torch.nn.Conv2d()函数详解

参数详解

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

参数dilation——扩张卷积（也叫空洞卷积）

dilation操作动图演示如下：

Dilated Convolution with a 3 x 3 kernel and dilation rate 2

扩张卷积核为3×3，扩张率为2

参数groups——分组卷积

Group Convolution顾名思义，则是对输入feature map进行分组，然后每组分别卷积。

三、代码实例

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])

输入：x[ batch_size, channels, height_1, width_1 ]

• batch_size，一个batch中样本的个数 3
• channels，通道数，也就是当前层的深度 1
• height_1， 图片的高 5
• width_1， 图片的宽 4

卷积操作：Conv2d[ channels, output, height_2, width_2 ]

• channels，通道数，和上面保持一致，也就是当前层的深度 1
• output ，输出的深度 4【需要4个filter】
• height_2，卷积核的高 2
• width_2，卷积核的宽 3

输出：res[ batch_size,output, height_3, width_3 ]

• batch_size,，一个batch中样例的个数，同上 3
• output， 输出的深度 4
• height_3， 卷积结果的高度 4
• width_3，卷积结果的宽度 2

一个样本卷积示例：

总结