文章目錄

• 一、官方文件介紹
• 二、torch.nn.Conv2d()函式詳解
• • 引數詳解
  • 引數dilation——擴張卷積（也叫空洞卷積）
  • 引數groups——分組卷積
• 三、程式碼例項

一、官方文件介紹

nn.Conv2d：對由多個輸入平面（多通道）組成的輸入訊號進行二維卷積

二、torch.nn.Conv2d()函式詳解

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

引數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

引數groups——分組卷積

Group Convolution顧名思義，則是對輸入feature map進行分組，然後每組分別卷積。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，卷積核的總引數量為N ∗ C G ∗ K ∗ K N∗\frac{C}{G}∗K∗KN∗GC​∗K∗K，可見，總引數量減少為原來的1 G \frac{1}{G}G1​，其連線方式如下圖右所示，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、程式碼例項

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！！！