import torch x = torch.randn(2,1,7,3) conv = torch.nn.Conv2d(1,8,(2,3)) res = conv(x) print(res.shape) # shape = (2, 8, 6, 1)
输入x：
[ batch_size, channels, height_1, width_1 ]
| batch_size | 一个batch中样例的个数 | 2 |
| channels | 通道数，也就是当前层的深度 | 1 |
| height_1 | 图片的高 | 7 |
| width_1 | 图片的宽 | 3 |
Conv2d的参数
[ channels, output, height_2, width_2 ]
| channels | 通道数，和上面保持一致，也就是当前层的深度 | 1 |
| output | 输出的深度 | 8 |
| height_2 | 过滤器filter的高 | 2 |
| weight_2 | 过滤器filter的宽 | 3 |
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
in_channels |
Number of channels in the input image |
out_channels |
Number of channels produced by the convolution |
kernel_size |
卷积核尺寸 |
stride |
步长，控制cross-correlation的步长，可以设为1个int型数或者一个(int, int)型的tuple。 |
padding |
(补0)：控制zero-padding的数目。 |
dilation |
(扩张)：控制kernel点（卷积核点）的间距 |
groups |
(卷积核个数)：通常来说，卷积个数唯一，但是对某些情况，可以设置范围在1 —— in_channels中数目的卷积核： |
bias |
adds a learnable bias to the output. |
输出res:
[ batch_size,output, height_3, width_3 ]
| batch_size | 一个batch中样例的个数，同上 | 2 |
| output | 输出的深度 | 8 |
| height_3 | 卷积结果的高度 | h1-h2+1 = 7-2+1 = 6 |
| weight_3 | 卷积结果的宽度 | w1-w2+1 = 3-3+1 = 1 |
参考
torch.nn.Conv2d
torch.nn.MaxPool2d
————————————————
版权声明：本文为CSDN博主「huxuedan01」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_37586991/article/details/87855342