インポートトーチ X = torch.randn（2,1,7,3 ） CONV = torch.nn.Conv2d（1,8、（2,3 ）） RES = CONV（X） プリント（res.shape） ＃1 形状（= 2、8、6、1）
Xを入力します。
[BATCH_SIZE、チャネル、height_1、width_1]
| バッチサイズ | サンプル中のバッチ番号 | 2 |
| チャンネル | チャネル、即ち、現在の層の深さ | 1 |
| height_1 | ハイ絵 | 7 |
| width_1 | 幅の写真 | 3 |
Conv2dパラメータ
[チャネル、出力、height_2、width_2]
| チャンネル | チャネル、および上記と一致して、現在の層の深さ、すなわち | 1 |
| 出力 | 深出力 | 8 |
| height_2 | フィルタフィルタ高 | 2 |
| weight_2 | フィルタのフィルタ幅 | 3 |
torch.nn.Conv2d（in_channels、out_channels、kernel_size、ストライド= 1、パディング= 0、拡張= 1、基= 1、バイアス= TRUE）
in_channels |
入力画像内のチャネルの数 |
out_channels |
畳み込みによって生成チャンネル数 |
kernel_size |
コンボリューションカーネルサイズ |
ストライド |
相互相関ステップを制御するステップは、一つまたはint型（INT、INT）タイプタプルの数に設定することができます。 |
パディング |
（S 0）：ゼロパディングの数を制御します。 |
拡張 |
（拡張）：制御点カーネル（コンボリューションカーネル点）の間隔 |
グループ |
（コンボリューションカーネル数）：一般的に、単一の畳み込みの数が、いくつかのケースでは、1の範囲で提供されてもよい - in_channelsコンボリューションカーネルの数： |
バイアス |
出力に学習可能バイアスを追加します。 |
出力解像度：
[BATCH_SIZE、出力、height_3、width_3]
| バッチサイズ | バッチ番号、前出のサンプル | 2 |
| 出力 | 深出力 | 8 |
| height_3 | 高さ畳み込み結果 | H1-H2 + 1 = 7-2 + 1 = 6 |
| weight_3 | 畳み込み結果の幅 | W1-W2 + 1 = 3-3 + 1 = 1 |
参照
torch.nn.Conv2d
torch.nn.MaxPool2d
----------------
免責事項：この記事では、元の記事CSDNブロガー"huxuedan01"で、CC 4.0 BY-SAの著作権契約書に従ってください再現し、元のソースのリンクと、この文を添付してください。
オリジナルリンクします。https：//blog.csdn.net/m0_37586991/article/details/87855342