深入瞭解卷積操作

一、nn.Conv2d() (類式介面) 用法

nn.Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

in_channels:輸入通道

out_channels:輸出通道

kernel：卷積核大小，int 或 元組 型別

stride：步長 每次滑動步長，預設1

padding：設定邊界增加值 0 的邊距大小 例：padding = 1，原影象 3*3 → 5*5 外擴一圈0，卷積後大小保持不變。反捲積也通過擴充邊界進行操作。

dilation：對卷積核間距擴充，中間補0

 1 # -*- coding = utf-8 -*-
 2 # @Time : 2021/8/24 19:56
 3 # @Author : Lv
 4 # @File : Kernel.py
 5 # @ Software : PyCharm
 6 import torch
 7 import torch.nn as nn
 8 class Net(nn.Module):
 9     def __init__(self,):
10         super(Net,self).__init__()  # 繼承父類
11         self.conv1 = nn.Conv2d(in_channels=2,out_channels=1,kernel_size=3,stride=1,padding=0) #
 
 大小不變
12 
13     def forward(self,x):
14         x = self.conv1(x)
15         Weight = self.conv1.weight.data  # 卷積核權重  [1,2,3,3]
16         Bias = self.conv1.bias.data
17         print(Weight)
18         print('Bias',Bias)
19         w1 = Weight[0,0,:,:]   # 切片 第一個通道卷積核
20         w2 = Weight[0,1,:,:]
 
21         print('Num 1',sum(sum(w1)))  # 對卷積核1通道加和 3*3引數直接加和 因 輸入圖片 全1 矩陣 可認為不用內積
22         print('Num 2',sum(sum(w2)))  # 對卷積核2通道加和
23         w = sum(sum(w1)) + sum(sum(w2))  # 兩通道加和
24         print('Result',w)
25         print('\n卷積',w+Bias)     # 加偏置
26 
27         return x
28 x = torch.ones(1,2,4,4)
29 print('輸入',x,end='\n')
30 net = Net()
31 print(net(x))