深度学习—02卷积:torch.nn.Conv2d()和torch.nn.functional.Conv2d()

一、卷积pytorch

在pytorch中有两种方式，一种是torch.nn.Conv2d()

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

参数	解释
in_channels	输入图像通道数
out_channels	卷积产生的通道数
kernel_size	卷积核尺寸
stride	卷积步长，默认为1
padding	填充操作，控制padding_mode的数目
padding_mode	padding模式，默认为Zero-padding
dilation	扩张操作：控制kernel点（卷积核点）的间距，默认值:1
groups	group参数的作用是控制分组卷积，默认不分组，为1组
bias	添加一个可学习的偏差。默认：True

一种是torch.nn.functional.conv2d()

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

weight权重 也就是卷积核

二、卷积pytorch代码实现

在这里我使用的是第二种 torch.nn.functional.conv2d()
1、定义输入，和卷积核

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])
                    
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])        

2、reshape输入和卷积核

# [ batch_size, channels, height, width ]
input = torch.reshape(input,(1,1,5,5)) 
kernel = torch.reshape(kernel,(1,1,3,3))      

3、conv2d卷积

output = F.conv2d(input,kernel,stride=1)    

4、输出

print(output)  
# tensor([[[[10, 12, 12],
#           [18, 16, 16],
#           [13,  9,  3]]]])

代码：

import torch
import torch.nn.functional as F

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])
kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
output = F.conv2d(input,kernel,stride=1)
print(output)