torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor
Nota :! ! !
Lo mismo se aplica a F.conv2d
Añadido: añadir aquí que una convolución multidimensional de la fórmula:
De entrada es: H x W x n- C
es una convolución dimensiones del núcleo deben ser mantenidos como entrada: n- F × F × C
de salida depende del número de granos de convolución: n- C '
H' = (H + F-2padding ) / +. 1 una zancada de
W '= (W + 2padding-F) / +. 1 una zancada de
La comprensión sobre el grupo! !
Tengo un poco de comprensión sobre F.conv2d y nn.Conv2d:
nn.Conv2d especifica el canal de entrada, canal de salida, y el tamaño del núcleo de convolución, cuando se utiliza para generar (el número de canales de salida) del núcleo de convolución, de usos múltiples la construcción de un uso de la red. Dado que el núcleo de convolución aún no se ha determinado, los parámetros del kernel de convolución obtenidos a través de la red en constante entrenamiento.
F.conv2d necesidad de pasar del núcleo de convolución específica! ! necesidades convolución del núcleo entrante a saber (es decir, tiene varios canales de salida de convolución kernel, el número de la convolución de canal de la imagen de entrada es el mismo número de canales, tamaño), conocida específica del núcleo de convolución.